---
title: "Ano ang LLM guardrails? Mga check sa input at output"
description: "Ang guardrails ay mga check sa paligid ng LLM call na nagba-block, nag-aayos o nagfa-flag ng delikadong input at output. Mga uri, latency, at saan tumatakbo."
url: https://broadrouter.com/fil/glossary/guardrails/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/guardrails/) (na-update noong 2026-11-14).

# Guardrails (LLM guardrails)

Na-update 2026-11-14

Ang guardrails ay mga check na pinapatakbo ng application sa paligid ng isang language model call para manatili ito sa itinakdang limit. Sinasala ng input guardrails ang pumapasok sa model, chine-check ng output guardrails ang lumalabas, at vina-validate ng tool guardrails ang mga aksyon bago tumakbo. Kapag pumalya ang check, bina-block, binabago o fina-flag ang request.

Tinatawag ding: LLM guardrails, AI guardrails, input guardrails, output guardrails, safety rails, guardrail

Ang guardrails ay ang mga check na ibinabalot mo sa isang model para huminto sa code mo ang masamang input o output, hindi sa user mo.

## Paano ito gumagana

Inilalarawan ng OpenAI Agents SDK ang guardrails bilang “checks and validations of user input and agent output” (Salin ng BroadRouter: “mga check at validation ng input ng user at output ng agent”) at tatlong uri ang tinutukoy nito:

| Uri | Kailan tumatakbo | Karaniwang check |
| --- | --- | --- |
| Input | Bago o kasabay ng unang model call | Off-topic, abusive o injected na request |
| Output | Pagkatapos ng huling sagot | Nag-leak na secret, paglabag sa policy, maling format |
| Tool | Bago at pagkatapos tumakbo ang isang function tool | Nasa range ang mga argument, walang mapanirang aksyon |

Kapag pumalya ang isang check, nagra-raise ng exception ang isang “tripwire” at pinapahinto ang run. Puwedeng blocking ang mga input check (hindi na magsisimula ang pangunahing model) o parallel (mas mababang latency, pero baka nagastos na ang mga token at tool call pagdating ng tripwire).

Limang yugto ang ginagamit ng open-source na NeMo Guardrails library ng NVIDIA: input, retrieval, dialog, execution at output rails. Iminumungkahi ng docs ng Anthropic ang isang “harmlessness screen”: isang maliit at mabilis na model na nagka-classify ng input ng user bago ito umabot sa pangunahing conversation, gamit ang [structured output](https://broadrouter.com/fil/glossary/structured-output/) para ma-parse ang hatol bilang true o false.

Hindi lahat ng guardrail ay nangangailangan ng model. Mura at deterministic ang mga regex filter, allow-list, JSON Schema validation at limit sa haba.

## Bakit ito mahalaga

-   **Safety.** Isang layer ng depensa ang guardrails laban sa [prompt injection](https://broadrouter.com/fil/glossary/prompt-injection/) at [jailbreaks](https://broadrouter.com/fil/glossary/jailbreak/). Walang iisang layer na nakakapigil sa lahat ng ito.
-   **Gastos.** Kayang tanggihan ng murang screen ang isang request bago pa magbasa ang isang mahal na model ng 100,000 token ng context.
-   **Mga agent.** Ang [agent](https://broadrouter.com/fil/glossary/agent/) na nagpapadala ng email o nag-e-edit ng data ay nangangailangan ng tool-level na check at approval ng tao para sa mga mapanganib na hakbang, hindi lang ng filter sa huling text.
-   **Sukatin ang mga ito.** Bug ang guardrail na nagba-block ng mga maayos na request. Bantayan ang mga false positive gamit ang isang [eval](https://broadrouter.com/fil/glossary/eval/) set.

## Sa BroadNet Inference

Walang guardrails, moderation endpoint o content filter na nakalista sa docs ng BroadNet. Ituring na trabaho ng application mo ang guardrails. Isang karaniwang pattern ang screen sa mas maliit na model gaya ng [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) ($0.10 kada 1M input token), tapos ang pangunahing call sa mas malaking model. Kung may personal data ang mga input, tingnan ang [pagpapadala ng sensitibong data sa isang LLM API](https://broadrouter.com/fil/blog/llm-api-sensitive-data/).

## Mga tanong

### Bahagi ba ng model ang guardrails?

Hindi. May sariling trained na refusal ang mga model, pero ang guardrails ay hiwalay na code o model call na pinapatakbo ng application mo bago at pagkatapos ng pangunahing call. Ikaw ang magpapasya kung ano ang chine-check nila.

### Nakakadagdag ba ng latency ang guardrails?

Nagdadagdag ang blocking na input check ng isang dagdag na call bago magsimula ang pangunahing model. Kaya rin ng OpenAI Agents SDK na patakbuhin nang parallel ang input guardrails, na nakakatipid ng oras pero baka gumastos ng token bago tumama ang check.

### May kasama bang guardrails ang BroadNet Inference?

Walang guardrails o content filter na nakalistang feature sa docs ng BroadNet. Buuin ang mga ito sa application mo, halimbawa gamit ang maliit na model bilang screen at schema validation sa mga output.

## Tingnan din

-   [Prompt injection](https://broadrouter.com/fil/glossary/prompt-injection/) (termino)
-   [Jailbreak (LLM)](https://broadrouter.com/fil/glossary/jailbreak/) (termino)
-   [AI agent](https://broadrouter.com/fil/glossary/agent/) (termino)
-   [Structured output](https://broadrouter.com/fil/glossary/structured-output/) (termino)
-   [Eval (LLM evaluation)](https://broadrouter.com/fil/glossary/eval/) (termino)
-   [System prompt](https://broadrouter.com/fil/glossary/system-prompt/) (termino)
-   [PII (personally identifiable information)](https://broadrouter.com/fil/glossary/pii/) (termino)
-   [Patakbuhin ang OpenAI Agents SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-agents-sdk-custom-provider/) (gabay)
-   [Sensitive data sa LLM API: mag-redact, magbawas, mag-log nang kaunti](https://broadrouter.com/fil/blog/llm-api-sensitive-data/) (artikulo)
-   [Seguridad ng LLM API key: pag-iimbak, rotation at IP allow-list](https://broadrouter.com/fil/blog/llm-api-key-security/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-guardrails&utm_content=page-cta) ·

**Mga source**

-   [OpenAI Agents SDK, guardrails (input, output at tool guardrails, tripwires)](https://openai.github.io/openai-agents-python/guardrails/)
-   [Dokumentasyon ng NVIDIA NeMo Guardrails](https://docs.nvidia.com/nemo/guardrails/latest/index.html)
-   [Anthropic, mitigate jailbreaks and prompt injections (harmlessness screens)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/mitigate-jailbreaks)
