NeMo Guardrails
Toolkit zum Hinzufügen programmierbarer Sicherheits- und Verhaltens-Guardrails zu LLM-gestützten Konversationsanwendungen.
- Aktiv gepflegt
- Gut dokumentiert
- Permissive Lizenz
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.
Warum es in diesem Katalog steht
Katalog-Bewertung: ★★★☆☆ (3/5)
LLM safety/guardrails toolkit, a genuinely distinct niche within a saturated ai category.
- Aufstrebend
- Herstellergestützt
- Kategorien
- KI & Machine Learning
- Schlagwörter
- llm-safetyguardrailsconversational-ai
- Sprachen
- Python
- Lizenz
- Apache-2.0
Mit einem anderen Projekt vergleichen
Ähnliche Projekte
Milvus
Apache-2.0Quelloffene Vektordatenbank für skalierbare Ähnlichkeitssuche und KI-Anwendungen.
Aktiv gepflegt
- KI & Machine Learning
- Datenbank
MLflow
Apache-2.0Quelloffene Plattform zur Verwaltung des Machine-Learning-Lebenszyklus: Experiment-Tracking, Modellverpackung, Versionierung und Deployment.
Aktiv gepflegt
- KI & Machine Learning
PyTorch
BSD-3-ClauseQuelloffenes Machine-Learning-Framework, das den Weg vom Forschungsprototyp bis zum Produktions-Deployment beschleunigt.
Aktiv gepflegt
- KI & Machine Learning
Qdrant
Apache-2.0Vektordatenbank und Ähnlichkeitssuchmaschine zum Bau von KI-Anwendungen mit Embeddings.
Aktiv gepflegt
- KI & Machine Learning
- Datenbank
Einen Fehler entdeckt? Änderung auf GitHub vorschlagen.