尧图网页设计 
人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG【免费下载链接】GuardrailsNeMo Guardrails is an open-source toolkit for easily adding programmable guardrails to LLM-based conversational systems.项目地址https://gitcode.com/gh_mirrors/ne/Guardrails点击查看免费下载导读NeMo Guardrails 的「知识库Knowledge Base」机制允许你为对话系统注入自定义文档语料并通过 embedding 检索为 LLM 提供事实依据。本文以仓库测试配置tests/test_configs/with_custom_embedding_search_provider为完整案例讲解如何在配置中为**核心core与知识库knowledge_base**分别指定 embedding 搜索 Provider、如何用 Python 实现一个不依赖任何向量模型的自定义 Provider纯字符串匹配并通过测试与源码kb.py揭示知识库从文档分块到索引构建、检索的完整链路。读完本文你将能够在自己的 NeMo Guardrails 项目中接入任意检索后端向量库、BM25、外部 API 等并理解知识库内部的工作机制。一、案例全景一个带自定义知识库的完整测试配置tests/test_configs/with_custom_embedding_search_provider目录是仓库中一个端到端可运行的最小示例用于验证「自定义 embedding 搜索 Provider 知识库」的组合能力其文件结构如下tests/test_configs/with_custom_embedding_search_provider/ ├── kb/ │ └── kb.md # 示例知识库文档检索语料 ├── config.co # Colang 对话流定义 ├── config.py # 自定义 Provider 实现与注册init 钩子 └── config.yml # 主配置模型、core 与 knowledge_base 的 Provider 指定整个测试由 tests/test_with_custom_embedding_search_provider.py 驱动它用RailsConfig.from_path()加载该目录构造一个TestChat传入预置的 LLM 补全结果 express greeting随后模拟用户输入hi并断言机器人回复Hello there!。这个测试同时覆盖了配置加载、自定义 Provider 注册、Colang 流执行三个层面是理解本文主题的最佳入口。二、示例知识库文档kb.md 在知识库机制中的角色关联文档 kb/kb.md 是一个典型的 Markdown 知识库文档内容为 NeMo Guardrails 项目的自我介绍。它在整个机制中扮演**检索语料corpus**的角色当用户问题与 kb.md 内容相关时知识库会将命中的文本块作为上下文提供给 LLM。从 nemoguardrails/kb/kb.py 的源码可以看到知识库初始化阶段会将每个文档按 Markdown 标题切分为「主题分块topic chunks」def init(self): Initialize the knowledge base. The initial data is loaded from the $kb_docs context key. The key is populated when the model is loaded. Currently, only markdown format is supported. if not self.documents: return # Start splitting every doc into topic chunks for doc in self.documents: chunks split_markdown_in_topic_chunks(doc) self.chunks.extend(chunks)这里有两个关键事实值得注意当前仅支持 Markdown 格式的知识库文档源码 docstring 明确说明Currently, only markdown format is supported。分块以标题为边界split_markdown_in_topic_chunks()实现位于 nemoguardrails/kb/utils.py会把 kb.md 按##等标题拆成若干块。本例中 kb.md 包含标题NeMo Guardrails及一段介绍因此会被切分为一个「标题 正文」的检索单元。随后在build()阶段每个块会被封装为一个IndexItem(text, meta)并写入索引kb.pyfor chunk in self.chunks: text f# {chunk[title]}\n\n{chunk[body].strip()} all_text_items.append(text) index_items.append(IndexItem(texttext, metachunk))也就是说kb.md 中的文字最终以# 标题\n\n正文的形式进入检索索引meta中保留了分块信息标题、正文等检索命中后由search_relevant_chunks()把result.meta直接返回给上层使用kb.py。实操提示想让知识库承载什么领域知识就把对应的 Markdown 文档放入配置目录下的kb/子目录如本例的kb/kb.mdNeMo Guardrails 会自动完成加载与分块。三、配置 core 与 knowledge_base 的搜索 Providerconfig.yml 是本案例的配置骨架全文如下models: - type: main engine: openai model: gpt-3.5-turbo-instruct # Use the simple embedding search provider for the core logic. core: embedding_search_provider: name: simple # And for the knowledge base. knowledge_base: embedding_search_provider: name: simple配置拆解如下配置项含义本例取值models主对话模型LLMopenai引擎 gpt-3.5-turbo-instructcore.embedding_search_provider.name核心core逻辑使用的检索 Providersimple自定义knowledge_base.embedding_search_provider.name知识库检索使用的 Providersimple自定义这里体现了 NeMo Guardrails 的一个设计core 与 knowledge_base 可以各自独立指定 embedding 搜索 Provider。core 侧的 Provider 服务于护栏rails相关的语义检索例如 self-check、事实核查等需要召回上下文的场景而 knowledge_base 侧的 Provider 服务于知识库文档检索。两者解耦允许你为不同用途选择不同后端例如核心用高精度向量库、知识库用轻量全文检索。配置结构对应的底层数据类型可在 nemoguardrails/rails/llm/config.py 中找到EmbeddingSearchProvider与KnowledgeBaseConfig定义。name字段与后续register_embedding_search_provider(name, cls)注册的名字一一对应。四、实现并注册自定义 Providerconfig.pyconfig.py 是整个方案的核心它定义了一个不使用任何 embedding 向量的检索实现并把它注册为simple。这种实现的价值在于无外部依赖、零成本、可离线运行非常适合测试、演示以及中小规模语料的快速原型。4.1 继承 EmbeddingsIndex 抽象基类自定义 Provider 必须继承 nemoguardrails/embeddings/index.py 中定义的EmbeddingsIndex抽象类。抽象基类声明的核心接口包括embedding_size属性向量维度无向量实现返回0add_item(item: IndexItem)添加单个条目add_items(items: List[IndexItem])批量添加条目build()可选索引构建钩子默认空实现passsearch(text: str, max_results: int, threshold: Optional[float])检索最相关条目。其中IndexItem是一个 dataclassindex.py包含text文本与meta附加元数据字典默认为空字典。4.2 SimpleEmbeddingSearchProvider纯字符串检索实现本例的SimpleEmbeddingSearchProvider以「子串包含」作为匹配逻辑class SimpleEmbeddingSearchProvider(EmbeddingsIndex): A very simple implementation of an embeddings search provider. It actually does not use any embeddings, just plain string search through all items. property def embedding_size(self): return 0 def __init__(self): self.items: List[IndexItem] [] async def add_item(self, item: IndexItem): Adds a new item to the index. self.items.append(item) async def add_items(self, items: List[IndexItem]): Adds multiple items to the index. self.items.extend(items) async def search(self, text: str, max_results: int, threshold: Optional[float] None) - List[IndexItem]: Searches the index for the closes matches to the provided text. results [] for item in self.items: if text in item.text: results.append(item) return results要点说明search()遍历全部条目判断查询文本是否为条目文本的子串if text in item.text命中则返回。这是一个刻意简化的检索策略threshold参数在此实现中被忽略max_results在示例实现中未做截断真实场景中应results[:max_results]embedding_size返回0表明该实现不产生向量——这与build()阶段知识库的默认缓存逻辑兼容见下文第六节缓存仅对name default的 Provider 启用自定义 Provider 不参与向量缓存。4.3 init 钩子向应用注册 Provider自定义配置通过init(app: LLMRails)钩子把实现绑定到名字simpledef init(app: LLMRails): app.register_embedding_search_provider(simple, SimpleEmbeddingSearchProvider)register_embedding_search_provider(name, cls)是公开注册 API其实现位于 nemoguardrails/rails/llm/llmrails.py并在 nemoguardrails/guardrails/guardrails.py 中对LLMRails做了转发IORails 引擎会抛出NotImplementedError表明该能力当前属于 LLMRails 引擎。这样 config.yml 中embedding_search_provider.name: simple就能在运行时解析到SimpleEmbeddingSearchProvider的实例。从源码结构看只要实现EmbeddingsIndex的全部抽象方法embedding_size、add_item、add_items、search并通过init钩子注册就可以把任意检索后端如 Elasticsearch、faiss、SQLite FTS、远程向量 API接入 NeMo Guardrails。五、Colang 对话流config.coconfig.co 定义了一段极简的 Colang 对话流用于驱动端到端测试define user express greeting hi hello define flow user express greeting bot express greeting define bot express greeting Hello there!它定义了三件事user express greeting用户意图匹配用户消息hi/helloflow主流程识别到问候后触发bot express greetingbot express greeting机器人回复文本Hello there!。测试中通过预置 LLM 补全 express greeting来模拟模型「预测出意图标签」的行为从而不依赖真实 LLM 调用即可完成断言chat hi后chat Hello there!。六、源码级原理知识库的构建与检索链路结合 nemoguardrails/kb/kb.py 可以完整还原知识库的内部工作流init()把每个 Markdown 文档按标题切分为主题块split_markdown_in_topic_chunks累积到self.chunksbuild()将每个块格式化为# 标题\n\n正文并构造IndexItem然后根据配置实例化 Provider若embedding_search_provider.name default走内置的BasicEmbeddingsIndex并启用.cache目录下的持久化缓存kb.py——缓存文件名由文档内容哈希 embedding 引擎/模型拼接计算避免 embedding 模型更换后误用旧缓存若为自定义名字本例simple则直接self._get_embeddings_search_instance(config.embedding_search_provider)获得 Provider 实例add_items()后调用build()不涉及任何向量缓存search_relevant_chunks(text, max_results3)调用self.index.search(text, max_results, thresholdNone)把命中的IndexItem.meta含标题、正文的分块元数据返回给上层作为后续 LLM 提示词的上下文。这也解释了本案例的优雅之处simpleProvider 的embedding_size为 0、无向量因此 build 阶段既不会触发默认缓存、也不需要任何 embedding 模型default_embedding_model可以缺省让整个示例可以完全离线运行。七、从测试到实践如何复用到自己的项目test_1的完整流程tests/test_with_custom_embedding_search_provider.py为你提供了一个可复用的「自定义 Provider 冒烟测试」模板config RailsConfig.from_path(os.path.join(CONFIGS_FOLDER, with_custom_embedding_search_provider)) chat TestChat( config, llm_completions[ express greeting], ) chat hi chat Hello there!在自己的项目中接入自定义知识库检索时按以下四步操作即可准备语料在配置目录新建kb/放入 Markdown 文档如kb/kb.md按##标题组织内容以便分块实现 Provider继承EmbeddingsIndex实现embedding_size、add_item、add_items、search并在init(app)中调用app.register_embedding_search_provider(你的名字, YourProvider)声明配置在config.yml中分别设置core.embedding_search_provider.name与knowledge_base.embedding_search_provider.name为你的注册名两者可不同验证参考上述测试用TestChat预置 LLM 补全断言知识库检索与对话流行为符合预期。八、注意事项与边界Markdown 专属知识库文档当前只支持 Markdown 格式见 kb.py 的 docstring其他格式需要自行预处理为 Markdown 再放入kb/。自定义 Provider 无内置缓存向量缓存逻辑只针对name default的内置BasicEmbeddingsIndexkb.py。如果自定义 Provider 的计算开销较大需要自行实现持久化。引擎支持范围register_embedding_search_provider当前属于 LLMRails 引擎能力IORails 会直接抛出NotImplementedErrorguardrails.py使用前请确认你的引擎类型。LLMRails.embedding_search_providers属性已弃用源码中标记为 DeprecationWarningllmrails.py提示新增 Provider 一律走register_embedding_search_provider()注册 API。结语with_custom_embedding_search_provider是一个「小而全」的样板一份两段的 Markdown 知识库kb.md、一个零依赖的检索 Providerconfig.py、一份声明式配置config.yml与一条自动化断言test_with_custom_embedding_search_provider.py。以此为基础你可以将任何检索后端无缝接入 NeMo Guardrails 的知识库与核心逻辑让护栏系统获得稳定、可控、可测试的上下文召回能力。赞分享人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG【免费下载链接】GuardrailsNeMo Guardrails is an open-source toolkit for easily adding programmable guardrails to LLM-based conversational systems.项目地址https://gitcode.com/gh_mirrors/ne/Guardrails点击查看免费下载相关推荐NeMo Guardrails 知识库 Embedding 配置实战以 OpenAI Embeddings 构建 RAG 检索NeMo Guardrails 知识库 Embedding 配置实战以 OpenAI Embeddings 构建 RAG 检索 导读 本文以仓库中的示例配置人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG为 Knowledge Catalog 富化 Agent 接入本地知识库kb-search Skill 与 fileskb MCP Server 实战指南为 Knowledge Catalog 富化 Agent 接入本地知识库kb search Skill 与 fileskb MCP Server 实战指南 本数据目录AI Agent人工智能知识管理示例工程NeMo Guardrails 接入 HuggingFace Pipeline 与 Llama 2从模型授权到自定义初始化的完整实战NeMo Guardrails 接入 HuggingFace Pipeline 与 Llama 2从模型授权到自定义初始化的完整实战 本指南围绕 NeMo G人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG上一篇SEO优化策略让作品集在搜索引擎中获得更好排名下一篇AsyncAPI消息设计构建可扩展事件驱动架构的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 NeMo Guardrails 自定义 Embedding Search Provider 与知识库（Knowledge Base）接入实战
人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG【免费下载链接】GuardrailsNeMo Guardrails is an open-source toolkit for easily adding programmable guardrails to LLM-based conversational systems.项目地址https://gitcode.com/gh_mirrors/ne/Guardrails点击查看免费下载导读NeMo Guardrails 的「知识库Knowledge Base」机制允许你为对话系统注入自定义文档语料并通过 embedding 检索为 LLM 提供事实依据。本文以仓库测试配置tests/test_configs/with_custom_embedding_search_provider为完整案例讲解如何在配置中为**核心core与知识库knowledge_base**分别指定 embedding 搜索 Provider、如何用 Python 实现一个不依赖任何向量模型的自定义 Provider纯字符串匹配并通过测试与源码kb.py揭示知识库从文档分块到索引构建、检索的完整链路。读完本文你将能够在自己的 NeMo Guardrails 项目中接入任意检索后端向量库、BM25、外部 API 等并理解知识库内部的工作机制。一、案例全景一个带自定义知识库的完整测试配置tests/test_configs/with_custom_embedding_search_provider目录是仓库中一个端到端可运行的最小示例用于验证「自定义 embedding 搜索 Provider 知识库」的组合能力其文件结构如下tests/test_configs/with_custom_embedding_search_provider/ ├── kb/ │ └── kb.md # 示例知识库文档检索语料 ├── config.co # Colang 对话流定义 ├── config.py # 自定义 Provider 实现与注册init 钩子 └── config.yml # 主配置模型、core 与 knowledge_base 的 Provider 指定整个测试由 tests/test_with_custom_embedding_search_provider.py 驱动它用RailsConfig.from_path()加载该目录构造一个TestChat传入预置的 LLM 补全结果 express greeting随后模拟用户输入hi并断言机器人回复Hello there!。这个测试同时覆盖了配置加载、自定义 Provider 注册、Colang 流执行三个层面是理解本文主题的最佳入口。二、示例知识库文档kb.md 在知识库机制中的角色关联文档 kb/kb.md 是一个典型的 Markdown 知识库文档内容为 NeMo Guardrails 项目的自我介绍。它在整个机制中扮演**检索语料corpus**的角色当用户问题与 kb.md 内容相关时知识库会将命中的文本块作为上下文提供给 LLM。从 nemoguardrails/kb/kb.py 的源码可以看到知识库初始化阶段会将每个文档按 Markdown 标题切分为「主题分块topic chunks」def init(self): Initialize the knowledge base. The initial data is loaded from the $kb_docs context key. The key is populated when the model is loaded. Currently, only markdown format is supported. if not self.documents: return # Start splitting every doc into topic chunks for doc in self.documents: chunks split_markdown_in_topic_chunks(doc) self.chunks.extend(chunks)这里有两个关键事实值得注意当前仅支持 Markdown 格式的知识库文档源码 docstring 明确说明Currently, only markdown format is supported。分块以标题为边界split_markdown_in_topic_chunks()实现位于 nemoguardrails/kb/utils.py会把 kb.md 按##等标题拆成若干块。本例中 kb.md 包含标题NeMo Guardrails及一段介绍因此会被切分为一个「标题 正文」的检索单元。随后在build()阶段每个块会被封装为一个IndexItem(text, meta)并写入索引kb.pyfor chunk in self.chunks: text f# {chunk[title]}\n\n{chunk[body].strip()} all_text_items.append(text) index_items.append(IndexItem(texttext, metachunk))也就是说kb.md 中的文字最终以# 标题\n\n正文的形式进入检索索引meta中保留了分块信息标题、正文等检索命中后由search_relevant_chunks()把result.meta直接返回给上层使用kb.py。实操提示想让知识库承载什么领域知识就把对应的 Markdown 文档放入配置目录下的kb/子目录如本例的kb/kb.mdNeMo Guardrails 会自动完成加载与分块。三、配置 core 与 knowledge_base 的搜索 Providerconfig.yml 是本案例的配置骨架全文如下models: - type: main engine: openai model: gpt-3.5-turbo-instruct # Use the simple embedding search provider for the core logic. core: embedding_search_provider: name: simple # And for the knowledge base. knowledge_base: embedding_search_provider: name: simple配置拆解如下配置项含义本例取值models主对话模型LLMopenai引擎 gpt-3.5-turbo-instructcore.embedding_search_provider.name核心core逻辑使用的检索 Providersimple自定义knowledge_base.embedding_search_provider.name知识库检索使用的 Providersimple自定义这里体现了 NeMo Guardrails 的一个设计core 与 knowledge_base 可以各自独立指定 embedding 搜索 Provider。core 侧的 Provider 服务于护栏rails相关的语义检索例如 self-check、事实核查等需要召回上下文的场景而 knowledge_base 侧的 Provider 服务于知识库文档检索。两者解耦允许你为不同用途选择不同后端例如核心用高精度向量库、知识库用轻量全文检索。配置结构对应的底层数据类型可在 nemoguardrails/rails/llm/config.py 中找到EmbeddingSearchProvider与KnowledgeBaseConfig定义。name字段与后续register_embedding_search_provider(name, cls)注册的名字一一对应。四、实现并注册自定义 Providerconfig.pyconfig.py 是整个方案的核心它定义了一个不使用任何 embedding 向量的检索实现并把它注册为simple。这种实现的价值在于无外部依赖、零成本、可离线运行非常适合测试、演示以及中小规模语料的快速原型。4.1 继承 EmbeddingsIndex 抽象基类自定义 Provider 必须继承 nemoguardrails/embeddings/index.py 中定义的EmbeddingsIndex抽象类。抽象基类声明的核心接口包括embedding_size属性向量维度无向量实现返回0add_item(item: IndexItem)添加单个条目add_items(items: List[IndexItem])批量添加条目build()可选索引构建钩子默认空实现passsearch(text: str, max_results: int, threshold: Optional[float])检索最相关条目。其中IndexItem是一个 dataclassindex.py包含text文本与meta附加元数据字典默认为空字典。4.2 SimpleEmbeddingSearchProvider纯字符串检索实现本例的SimpleEmbeddingSearchProvider以「子串包含」作为匹配逻辑class SimpleEmbeddingSearchProvider(EmbeddingsIndex): A very simple implementation of an embeddings search provider. It actually does not use any embeddings, just plain string search through all items. property def embedding_size(self): return 0 def __init__(self): self.items: List[IndexItem] [] async def add_item(self, item: IndexItem): Adds a new item to the index. self.items.append(item) async def add_items(self, items: List[IndexItem]): Adds multiple items to the index. self.items.extend(items) async def search(self, text: str, max_results: int, threshold: Optional[float] None) - List[IndexItem]: Searches the index for the closes matches to the provided text. results [] for item in self.items: if text in item.text: results.append(item) return results要点说明search()遍历全部条目判断查询文本是否为条目文本的子串if text in item.text命中则返回。这是一个刻意简化的检索策略threshold参数在此实现中被忽略max_results在示例实现中未做截断真实场景中应results[:max_results]embedding_size返回0表明该实现不产生向量——这与build()阶段知识库的默认缓存逻辑兼容见下文第六节缓存仅对name default的 Provider 启用自定义 Provider 不参与向量缓存。4.3 init 钩子向应用注册 Provider自定义配置通过init(app: LLMRails)钩子把实现绑定到名字simpledef init(app: LLMRails): app.register_embedding_search_provider(simple, SimpleEmbeddingSearchProvider)register_embedding_search_provider(name, cls)是公开注册 API其实现位于 nemoguardrails/rails/llm/llmrails.py并在 nemoguardrails/guardrails/guardrails.py 中对LLMRails做了转发IORails 引擎会抛出NotImplementedError表明该能力当前属于 LLMRails 引擎。这样 config.yml 中embedding_search_provider.name: simple就能在运行时解析到SimpleEmbeddingSearchProvider的实例。从源码结构看只要实现EmbeddingsIndex的全部抽象方法embedding_size、add_item、add_items、search并通过init钩子注册就可以把任意检索后端如 Elasticsearch、faiss、SQLite FTS、远程向量 API接入 NeMo Guardrails。五、Colang 对话流config.coconfig.co 定义了一段极简的 Colang 对话流用于驱动端到端测试define user express greeting hi hello define flow user express greeting bot express greeting define bot express greeting Hello there!它定义了三件事user express greeting用户意图匹配用户消息hi/helloflow主流程识别到问候后触发bot express greetingbot express greeting机器人回复文本Hello there!。测试中通过预置 LLM 补全 express greeting来模拟模型「预测出意图标签」的行为从而不依赖真实 LLM 调用即可完成断言chat hi后chat Hello there!。六、源码级原理知识库的构建与检索链路结合 nemoguardrails/kb/kb.py 可以完整还原知识库的内部工作流init()把每个 Markdown 文档按标题切分为主题块split_markdown_in_topic_chunks累积到self.chunksbuild()将每个块格式化为# 标题\n\n正文并构造IndexItem然后根据配置实例化 Provider若embedding_search_provider.name default走内置的BasicEmbeddingsIndex并启用.cache目录下的持久化缓存kb.py——缓存文件名由文档内容哈希 embedding 引擎/模型拼接计算避免 embedding 模型更换后误用旧缓存若为自定义名字本例simple则直接self._get_embeddings_search_instance(config.embedding_search_provider)获得 Provider 实例add_items()后调用build()不涉及任何向量缓存search_relevant_chunks(text, max_results3)调用self.index.search(text, max_results, thresholdNone)把命中的IndexItem.meta含标题、正文的分块元数据返回给上层作为后续 LLM 提示词的上下文。这也解释了本案例的优雅之处simpleProvider 的embedding_size为 0、无向量因此 build 阶段既不会触发默认缓存、也不需要任何 embedding 模型default_embedding_model可以缺省让整个示例可以完全离线运行。七、从测试到实践如何复用到自己的项目test_1的完整流程tests/test_with_custom_embedding_search_provider.py为你提供了一个可复用的「自定义 Provider 冒烟测试」模板config RailsConfig.from_path(os.path.join(CONFIGS_FOLDER, with_custom_embedding_search_provider)) chat TestChat( config, llm_completions[ express greeting], ) chat hi chat Hello there!在自己的项目中接入自定义知识库检索时按以下四步操作即可准备语料在配置目录新建kb/放入 Markdown 文档如kb/kb.md按##标题组织内容以便分块实现 Provider继承EmbeddingsIndex实现embedding_size、add_item、add_items、search并在init(app)中调用app.register_embedding_search_provider(你的名字, YourProvider)声明配置在config.yml中分别设置core.embedding_search_provider.name与knowledge_base.embedding_search_provider.name为你的注册名两者可不同验证参考上述测试用TestChat预置 LLM 补全断言知识库检索与对话流行为符合预期。八、注意事项与边界Markdown 专属知识库文档当前只支持 Markdown 格式见 kb.py 的 docstring其他格式需要自行预处理为 Markdown 再放入kb/。自定义 Provider 无内置缓存向量缓存逻辑只针对name default的内置BasicEmbeddingsIndexkb.py。如果自定义 Provider 的计算开销较大需要自行实现持久化。引擎支持范围register_embedding_search_provider当前属于 LLMRails 引擎能力IORails 会直接抛出NotImplementedErrorguardrails.py使用前请确认你的引擎类型。LLMRails.embedding_search_providers属性已弃用源码中标记为 DeprecationWarningllmrails.py提示新增 Provider 一律走register_embedding_search_provider()注册 API。结语with_custom_embedding_search_provider是一个「小而全」的样板一份两段的 Markdown 知识库kb.md、一个零依赖的检索 Providerconfig.py、一份声明式配置config.yml与一条自动化断言test_with_custom_embedding_search_provider.py。以此为基础你可以将任何检索后端无缝接入 NeMo Guardrails 的知识库与核心逻辑让护栏系统获得稳定、可控、可测试的上下文召回能力。赞分享人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG【免费下载链接】GuardrailsNeMo Guardrails is an open-source toolkit for easily adding programmable guardrails to LLM-based conversational systems.项目地址https://gitcode.com/gh_mirrors/ne/Guardrails点击查看免费下载相关推荐NeMo Guardrails 知识库 Embedding 配置实战以 OpenAI Embeddings 构建 RAG 检索NeMo Guardrails 知识库 Embedding 配置实战以 OpenAI Embeddings 构建 RAG 检索 导读 本文以仓库中的示例配置人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG为 Knowledge Catalog 富化 Agent 接入本地知识库kb-search Skill 与 fileskb MCP Server 实战指南为 Knowledge Catalog 富化 Agent 接入本地知识库kb search Skill 与 fileskb MCP Server 实战指南 本数据目录AI Agent人工智能知识管理示例工程NeMo Guardrails 接入 HuggingFace Pipeline 与 Llama 2从模型授权到自定义初始化的完整实战NeMo Guardrails 接入 HuggingFace Pipeline 与 Llama 2从模型授权到自定义初始化的完整实战 本指南围绕 NeMo G人工智能大模型AI 安全治理模型安全内容安全提示词注入防护RAG上一篇SEO优化策略让作品集在搜索引擎中获得更好排名下一篇AsyncAPI消息设计构建可扩展事件驱动架构的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考