NeMo Guardrails
Toolkit zum Hinzufügen programmierbarer Sicherheits- und Verhaltens-Guardrails zu LLM-gestützten Konversationsanwendungen.
Überblick
NeMo Guardrails lässt ein Team mithilfe einer dedizierten Modellierungssprache Regeln definieren, was eine LLM-gestützte Anwendung tun und nicht tun soll – beim Thema bleiben, bestimmte Inhalte vermeiden, einem bestimmten Gesprächsablauf folgen – und setzt diese Regeln rund um das zugrunde liegende LLM durch, unabhängig davon, welches Modell verwendet wird. Das fügt einem von Natur aus unvorhersehbaren Modell eine Schicht Vorhersagbarkeit hinzu.
NeMo Guardrails eignet sich für Teams, die LLM-Anwendungen mit verlässlichen Verhaltensgrenzen deployen, und ergänzt allgemeine LLM-Frameworks wie LangChain und Haystack (ebenfalls in diesem Katalog) durch eine Sicherheits- und Kontrollschicht um jedes Modell oder jede Pipeline, die diese Frameworks orchestrieren.
- Kategorien
- KI & Machine Learning
- Schlagwörter
- llm-safetyguardrailsconversational-ai
- Sprachen
- Python
- Lizenz
- Apache-2.0
Ähnliche Projekte
CAMEL
Apache-2.0Open-Source-Framework für Forschung und den Bau von Systemen mehrerer kommunizierender, rollenspielender KI-Agenten, die autonom zusammenarbeiten.
- KI & Machine Learning
CrewAI
MITMulti-Agent-Orchestrierungs-Framework zum Aufbau von Teams kollaborierender, rollenbasierter KI-Agenten, die autonom zusammenarbeiten, um komplexe Aufgaben zu erledigen.
- KI & Machine Learning
DeepEval
Apache-2.0Quelloffenes Test-Framework zur Bewertung von LLM-Ausgaben, das Qualitätschecks für LLM-Anwendungen wie herkömmliche Unit-Tests behandelt.
- KI & Machine Learning
DeepSpeed
Apache-2.0Deep-Learning-Optimierungsbibliothek von Microsoft zum effizienten Trainieren und Ausführen sehr großer Modelle über mehrere GPUs hinweg.
- KI & Machine Learning
Einen Fehler entdeckt? Änderung auf GitHub vorschlagen.