LLM guardrails for security — input/output validation with NeMo Guardrails, Presidio, and Guardrails AI
Durcir les applis LLM avec des garde-fous d'entrées/sorties — flows NeMo Guardrails (Colang), validateurs Python de PII et contrôles de schéma Guardrails AI contre injection de prompt, fuites de PII et hallucinations
- Quoi
- Durcir les applis LLM avec des garde-fous d'entrées/sorties — flows NeMo Guardrails (Colang), validateurs Python de PII et contrôles de schéma Guardrails AI contre injection de prompt, fuites de PII et hallucinations
- Coût
- Gratuit
- Prérequis
- un environnement Python 3.10+ avec pip ; une clé API OpenAI (facturée) OU un endpoint LLM local pour les rails self-check de NeMo Guardrails
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill de garde-fous de @mukul975 : un guide défensif complet pour ajouter des contrôles de sécurité d'entrées/sorties aux applications LLM. L'agent installe les frameworks de garde-fous (NeMo Guardrails pour les flows de rails en Colang, Guardrails AI pour la validation structurée des sorties, Microsoft Presidio et spaCy pour la détection de PII), exécute un pipeline de garde-fous en plusieurs modes (complet, entrées seules, sorties seules, expurgation de PII, JSON pour dashboards), rédige des politiques de contenu JSON (sujets autorisés/bloqués, patterns bloqués, catégories de PII), écrit des définitions de flows Colang 2.0 (rails d'entrée comme self-check, détection de jailbreak, masquage de données sensibles ; rails de sortie comme détection d'hallucination), et déploie le tout comme middleware de validation autour d'une appli LLM ou d'un pipeline RAG. Il fournit des explications des concepts clés, un inventaire des outils, des vérifications (patterns d'injection bloqués, PII expurgées, latence <200 ms en mode entrées seules) et une limite de scope honnête : les garde-fous sont de la défense en profondeur, pas un remplacement de l'authentification, de l'autorisation ou de la sécurité réseau. Bémols honnêtes : requiert Python 3.10+ et de vraies installations (nemoguardrails, presidio, un modèle spaCy) ; les rails self-check appellent un modèle — clé API OpenAI (facturée) ou endpoint LLM local, donc les coûts sont évitables avec un modèle local. Licence Apache-2.0 (frontmatter et manifest concordants). Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
LLM guardrails for security est un skill gratuit pour Muse pour durcir les applis LLM avec des garde-fous d'entrées et de sorties. Il couvre flows NeMo Guardrails en Colang, validateurs Python de PII et contrôles de schéma Guardrails AI. Ces couches défendent contre injection de prompt, fuites de PII et hallucinations, pour des applis LLM plus sûres en production.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 54a7988Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : un environnement Python 3.10+ avec pip ; une clé API OpenAI (facturée) OU un endpoint LLM local pour les rails self-check de NeMo Guardrails Installe-moi « Garde-fous LLM pour la sécurité — validation entrées/sorties avec NeMo Guardrails, Presidio et Guardrails AI ». Il donne à mon agent le guide défensif de garde-fous de @mukul975 : installer les frameworks de garde-fous (nemoguardrails, guardrails-ai, presidio-analyzer, presidio-anonymizer, spacy + un modèle de langue), exécuter l'agent de sécurité des garde-fous en modes complet/entrées seules/sorties seules/PII/JSON, rédiger une politique de contenu JSON (sujets autorisés et bloqués, patterns bloqués, catégories de PII, limites de sortie), définir des flows de rails Colang 2.0 (self check input, check jailbreak, mask sensitive data, self check output, hallucination check), intégrer le pipeline comme middleware de validation autour d'une appli LLM ou d'un pipeline RAG, et passer en revue les logs pour les taux de blocage et tentatives de contournement. Licence Apache-2.0. Dépôt : https://raw.githubusercontent.com/mukul975/anthropic-cybersecurity-skills/54a798831d2266a3ca61ce68a7acb80b81160d57/skills/implementing-llm-guardrails-for-security/SKILL.md Version épinglée : installe le code au commit 54a798831d2266a3ca61ce68a7acb80b81160d57 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur, les identifiants seulement via variables d'environnement, hôtes autorisés déclarés dans le SKILL.md. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « implementing-llm-guardrails-for-security ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. pip install des packages de garde-fous et d'un modèle spaCy, définir OPENAI_API_KEY ou pointer les rails self-check vers un endpoint LLM local, rédiger ma politique de contenu JSON). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
- Fonctionne avec une clé API ou un jeton que tu fournis.
Ce que le scan a trouvé — extraits du prompt d’installation
- utilise des clés API ou des jetons — Prerequisites: a Python 3.10+ environment with pip; an OpenAI API key (billed) OR a local LLM endpoint for the · Prérequis : un environnement Python 3.10+ avec pip ; une clé API OpenAI (facturée) OU un endpoint LLM local po
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 54a7988 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : utilise des clés API ou des jetons
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.