Guardrails: Validácia vstupov a výstupov
Na tejto strane
Čo je guardrail?
Guardrail je validačná vrstva, ktorá sa nachádza medzi používateľom a modelom pri vstupe, alebo medzi modelom a používateľom pri výstupe. Rozdiel oproti moderácii, o ktorej sme hovorili v predchádzajúcej kapitole, je zásadný a musíš ho dodržiavať: moderácia odpovedá na otázku „Je tento obsah urážlivý?“ – čo je univerzálna otázka, ktorej odpoveď nezávisí od tvojho podnikania. Guardrails odpovedajú na otázky, ktoré môžeš formulovať len ty: Je správa v rámci očakávaného rozsahu? Obsahuje odpoveď zakázané informácie? Je požadovaná akcia pre túto rolu autorizovaná? Bankový asistent a asistent kníhkupectva zdieľajú rovnakú moderáciu, ale nemajú žiadne spoločné guardrails.
Do roku 2026 sa guardrails stali štandardnou súčasťou architektúr AI agentov, nepostrádateľnou všade tam, kde má model prístup k nástrojom alebo citlivým dátam.
Architektúra pipeline
Štrukturálnym rozhodnutím je zaobchádzať s každým guardrailom ako s nezávislým objektom s jedinou zodpovednosťou a následne ich reťaziť v zvolenom poradí. Výhoda sa prejaví pri údržbe: pridanie obchodného pravidla si nevyžaduje žiadne zmeny v existujúcom kóde a pravidlo, ktoré spôsobuje príliš veľa falošných poplachov, možno odstrániť jediným riadkom.
K možnostiam povoliť (allow) a zablokovať (block) pribúda tretí verdikt: upraviť (modify). To mení povahu celého cvičenia. Mnohé reálne situácie neoprávňujú k odmietnutiu – odpoveď obsahujúca internú cestu k serveru zostáva užitočná, akonáhle je táto cesta zamaskovaná. Blokovanie by znamenalo stratu informácie; úprava ju zachová odstránením toho, čo predstavuje problém.
from dataclasses import dataclass
from enum import Enum
class Decision(Enum):
ALLOW = "allow"
BLOCK = "block"
MODIFY = "modify"
@dataclass
class ValidationResult:
decision: Decision
reason: str
modified_content: str | None = None
class Guardrail:
"""Base class for a guardrail."""
def validate(self, content: str, context: dict) -> ValidationResult:
raise NotImplementedError
class GuardrailPipeline:
"""Chains multiple guardrails in sequence."""
def __init__(self):
self.input_guardrails: list[Guardrail] = []
self.output_guardrails: list[Guardrail] = []
def add_input(self, guardrail: Guardrail):
self.input_guardrails.append(guardrail)
def add_output(self, guardrail: Guardrail):
self.output_guardrails.append(guardrail)
def validate_input(self, message: str, context: dict) -> ValidationResult:
for g in self.input_guardrails:
result = g.validate(message, context)
if result.decision == Decision.BLOCK:
return result
if result.decision == Decision.MODIFY:
message = result.modified_content
return ValidationResult(Decision.ALLOW, "All validations passed")
def validate_output(self, response: str, context: dict) -> ValidationResult:
for g in self.output_guardrails:
result = g.validate(response, context)
if result.decision == Decision.BLOCK:
return result
if result.decision == Decision.MODIFY:
response = result.modified_content
return ValidationResult(Decision.ALLOW, "OK", response)
Tri typické guardrails
Guardrail rozsahu (scope) udržiava konverzáciu v rámci jej domény. Slúži bezpečnosti aj reputácii: asistent zákazníckej služby vyškolený na odpovede týkajúce sa doručenia nemá žiadny úžitok z komentovania politických správ a screenshot takejto odpovede sa rýchlo šíri. Zoznam zakázaných tém musí byť prediskutovaný s obchodnou stranou, nikdy ho nesmie zostavovať iba technický tím.
class ScopeGuardrail(Guardrail):
"""Checks that the message stays within the authorized scope."""
def __init__(self, allowed_topics: list[str], forbidden_topics: list[str]):
self.allowed_topics = allowed_topics
self.forbidden_topics = forbidden_topics
def validate(self, content: str, context: dict) -> ValidationResult:
content_lower = content.lower()
# Check forbidden topics
for topic in self.forbidden_topics:
if topic.lower() in content_lower:
return ValidationResult(
Decision.BLOCK,
f"Out-of-scope topic detected: {topic}"
)
return ValidationResult(Decision.ALLOW, "Within scope")
Guardrail formátu sa zdá byť triviálny, no prináša najväčšiu dennú hodnotu. Stojí niekoľko mikrosekúnd, nezávisí od žiadnych volaní siete a prereže príliš veľké správy používané na volumetrické injekcie a pokusy o vyčerpanie rozpočtu. Umiestni ho na začiatok reťaze: nemá zmysel platiť za API moderáciu pri správe s 200 000 znakmi, ktorú aj tak odmietneš.
class FormatGuardrail(Guardrail):
"""Validates message format and length."""
def __init__(self, max_tokens: int = 4000, max_lines: int = 100):
self.max_tokens = max_tokens
self.max_lines = max_lines
def validate(self, content: str, context: dict) -> ValidationResult:
# Rough token estimation (1 token ~ 4 characters in English)
estimated_tokens = len(content) // 4
if estimated_tokens > self.max_tokens:
return ValidationResult(
Decision.BLOCK,
f"Message too long: ~{estimated_tokens} tokens (max {self.max_tokens})"
)
line_count = content.count("\n") + 1
if line_count > self.max_lines:
return ValidationResult(
Decision.BLOCK,
f"Too many lines: {line_count} (max {self.max_lines})"
)
return ValidationResult(Decision.ALLOW, "Valid format")
Tretí guardrail monitoruje výstup a ilustruje použitie verdiktu „upraviť“. Štyri rodiny, ktoré vyhľadáva, zdieľajú vhodnú vlastnosť: majú rozpoznateľnú formu nezávislú od významu. API kľúč, interná adresa, súkromná IP alebo cesta k serveru sa identifikujú podľa ich štruktúry, bez potreby rozumieť vete, v ktorej sa nachádzajú.
import re
class AntiExfiltrationGuardrail(Guardrail):
"""Prevents leakage of sensitive data in outputs."""
def __init__(self):
self.sensitive_patterns = {
"api_key": r"(sk|pk|api[_-]?key)[_-][a-zA-Z0-9]{16,}",
"internal_email": r"[a-zA-Z0-9.]+@(company|internal|corp)\.\w+",
"private_ip": r"\b(10\.\d{1,3}\.\d{1,3}\.\d{1,3}|192\.168\.\d{1,3}\.\d{1,3})\b",
"server_path": r"(/data/|/etc/|/home/|C:\\Users\\)",
}
def validate(self, content: str, context: dict) -> ValidationResult:
for data_type, pattern in self.sensitive_patterns.items():
if re.search(pattern, content):
# Mask instead of blocking
cleaned_content = re.sub(pattern, "[REDACTED]", content)
return ValidationResult(
Decision.MODIFY,
f"Sensitive data redacted: {data_type}",
cleaned_content,
)
return ValidationResult(Decision.ALLOW, "No leakage detected")
Všetko dokopy
Kompletná zostava ukazuje, ako do seba jednotlivé časti zapadajú. Asymetria je zrejmá: dva guardrails na vstupe, len jeden na výstupe. Je to časté a zdravé – pred volaním modelu filtruješ intenzívne, pretože tam sa dá vyhnúť nákladom, a na výstupe ponechávaš len nevyhnutné minimum, aby sa nepoškodili správne odpovede. Správa vrátená pri blokovaní na výstupe dodržiava rovnakú opatrnosť: zámerne je vágna, nehovorí, čo bolo detegované, čo sú informácie, ktoré by primárne slúžili niekomu, kto sa snaží zmapovať tvoju obranu.
from openai import OpenAI
def create_secure_assistant():
"""Creates an assistant with a complete guardrail pipeline."""
client = OpenAI()
pipeline = GuardrailPipeline()
# Input guardrails
pipeline.add_input(FormatGuardrail(max_tokens=2000))
pipeline.add_input(ScopeGuardrail(
allowed_topics=["products", "orders", "delivery", "returns"],
forbidden_topics=["politics", "religion", "competitors"],
))
# Output guardrails
pipeline.add_output(AntiExfiltrationGuardrail())
def process(message: str) -> str:
context = {"user_role": "customer"}
# Input validation
input_check = pipeline.validate_input(message, context)
if input_check.decision == Decision.BLOCK:
return f"I cannot process this request: {input_check.reason}"
valid_message = input_check.modified_content or message
# Model call
response = client.chat.completions.create(
model="gpt-5.6-sol",
messages=[
{"role": "system", "content": "Acme Corp customer service assistant."},
{"role": "user", "content": valid_message},
],
)
reply = response.choices[0].message.content
# Output validation
output_check = pipeline.validate_output(reply, context)
if output_check.decision == Decision.BLOCK:
return "I am unable to answer this question."
return output_check.modified_content or reply
return process
Keď pravidlo nemožno zapísať pomocou regexu
Niektoré obchodné pravidlá odolávajú akejkoľvek formalizácii pomocou vzorov. „Odpoveď nesmie predstavovať investičné poradenstvo“, „správa nesmie obsahovať zdravotné údaje“: žiadny regulárny výraz toto nezachytí. Vtedy môže ako rozhodca konať druhý model, rýchly a lacný, pričom jeho odpoveď je obmedzená na formát JSON, aby zostala použiteľná pre volajúci kód. Kompromis je explicitný – získaš presnosť za cenu latencie a determinizmu, čo vyhradzuje tento prístup pre pravidlá, ktoré si to skutočne zaslúžia.
def llm_guardrail(message: str, rule: str) -> ValidationResult:
"""Uses a fast model to validate compliance."""
client = OpenAI()
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[
{"role": "system", "content": f"""You are a compliance validator.
Rule to check: {rule}
Respond ONLY with JSON: {{"compliant": true/false, "reason": "..."}}"""},
{"role": "user", "content": f"Message to validate:\n{message}"},
],
)
import json
result = json.loads(response.choices[0].message.content)
if result["compliant"]:
return ValidationResult(Decision.ALLOW, result["reason"])
return ValidationResult(Decision.BLOCK, result["reason"])
Kľúčové poznatky
- Guardrails validujú súlad s obchodnými pravidlami, nielen urážlivý obsah
- Architektúra pipeline umožňuje kombinovať viacero validačných vrstiev
- Každý guardrail má jedinú zodpovednosť: rozsah, formát, exfiltrácia atď.
- Výstupné guardrails sú rovnako dôležité ako vstupné
- Pre zložité prípady môže ako validátor slúžiť rýchly LLM