Cashcrown // warstwa bezpieczeństwa ai · 07/11
Guardrails Gateway
guardrails-gwliveJeden kontrolowany punkt wejścia dla każdego wywołania LLM: routing model-do-zadania, maskowanie PII przed modelem, guardraile wejścia i wyjścia, limity per-tenant i pełny audyt.
4 tryby
guardraile
zero-retention
dane
self-host
deploy
1×
entry point
01
Problem
Wywołania LLM rozsiane po kodzie to niekontrolowane ryzyko: dane PII trafiają do modelu, prompt-injection i jailbreak przechodzą bez filtra, brakuje limitów per-zespół i audytu. Bez jednej bramy nie da się tego ani uregulować, ani obronić przed RODO.
02
Możliwości
- routing model-do-zadania z fallbackiem
- maskowanie PII przed wyjściem do modelu
- guardraile wejścia i wyjścia: prompt-injection, jailbreak, sekrety, szkodliwe treści
- dostęp i budżety per-tenant + pełny audyt
- zero-retention: treść nie jest przechowywana po obsłudze
03
Zakres wdrożenia
- Bramka proxy do wszystkich wywołań LLM z buforowaniem, routingiem koszt-jakość i automatycznym fallbackiem
- Detekcja i maskowanie PII (PESEL, karty, dane teleadresowe) lokalnie przed wysłaniem do modeli chmurowych
- Zestaw guardraili wejścia i wyjścia: ochrona przed prompt injection, blokada wycieku sekretów i filtry toksyczności
- Panel zarządzania tenantami, per-klient limity budżetowe oraz audytowalny log z zerową retencją treści
Ten produkt składamy z mierzonych modeli i komponentów - zobacz pełny pipeline na żywo:
04
Pilotaż z dowodami
Pakiet pilotażowy: suwerenna brama bezpieczeństwa AI
Guardrails Gateway wdrażamy jako centralny węzeł inspekcji promptów i odpowiedzi: lokalne maskowanie PII, ochrona przed prompt injection i sztywne limity per-tenant.
100%
inspekcji wejścia/wyjścia
<15ms
narzut opóźnienia
0%
retencji treści w logach
Dowody
Case study: brama LLM z maskowaniem PII i routingiem
Sprawdź, jak jedna brama zabezpieczyła dostęp do wielu modeli chmurowych i obniżyła koszty o 38%.
zobacz dowódBezpieczeństwo i suwerenność danych
Poznaj zasady ochrony własności intelektualnej, izolacji procesów i pracy w środowiskach on-premise.
zobacz dowódŚcieżka pilotażu
- 01Krok 1: Inwentaryzacja wywołań modeli i definicja polityki PII oraz budżetów zespołowych
- 02Krok 2: Uruchomienie proxy w środowisku stagingowym z guardrailami wejścia i wyjścia
- 03Krok 3: Przełączenie ruchu produkcyjnego, audyt weryfikacji i przekazanie panelu /studio
05
Integracje
OpenClawBGE-M3QdrantOllaman8n
06
Architektura
Wybierz węzeł, aby zobaczyć opis i przepływ danych.
Architektura - opis tekstowy
- Wejście / dane
- Źródła danych: Treści, dokumenty i zdarzenia trafiają do indeksu. (Przepływ do: BGE-M3)
- BGE-M3: Lokalne embeddingi (1024-dim) - PII zostaje na miejscu. (Przepływ do: Router OpenClaw)
- Rdzeń AI
- Router OpenClaw: Jedyne wejście do modeli - maskuje PII, dobiera model, limituje. (Przepływ do: Guardrails Gateway)
- Guardrails Gateway: Jeden kontrolowany punkt wejścia dla każdego wywołania LLM: routing model-do-zadania, maskowanie PII przed modelem, guardraile wejścia i wyjścia, limity per-tenant i pełny audyt. (Przepływ do: API)
- Wyjście / integracje
- API: Powierzchnia REST - odpowiedzi z cytatami i kontrolą dostępu. (Przepływ do: OpenClaw, BGE-M3, Qdrant, Ollama)
- OpenClaw: Integracja: OpenClaw.
- BGE-M3: Integracja: BGE-M3.
- Qdrant: Integracja: Qdrant.
- Ollama: Integracja: Ollama.
07
Demo na żywo
08
FAQ
Ile kosztuje i jak wygląda wdrożenie?
Pracujemy w przedziałach zależnych od zakresu: zaczynamy od pilotażu o stałym koszcie, w którym podpinamy bramę pod kilka istniejących wywołań LLM i pokazujemy audyt oraz wyłapane próby ataku. Gdy warstwa zdejmuje ryzyko incydentu i czas na ręczne przeglądy, zwykle zwraca się w 2–4 miesiące. To redukcja ryzyka i kontrola, nie gwarancja perfekcji: zwrot oszacujesz w kalkulatorze ROI.
Czy integruje się z naszymi systemami i jest zgodne z RODO?
Tak. Brama staje przed Waszymi obecnymi wywołaniami modeli: nie zmieniacie dostawcy, podpinacie istniejący ruch przez jeden punkt. PII maskujemy przed modelem, wrażliwe ścieżki obsługujemy lokalnie, treść działa w trybie zero-retention, a każde wywołanie ląduje w audycie. Zgodność z RODO i AI Act projektujemy od początku: to ułatwia obronę, ale nadzór człowieka nad decyzjami zostaje.
Od czego zacząć i czy zatrzyma każdy atak?
Zaczynamy od jednego, najbardziej narażonego przepływu (np. asystenta na danych klientów) i podpinamy go pod bramę, włączając guardraile w trybie obserwacji, żeby zobaczyć ruch bez blokowania. Potem stopniowo zaostrzamy reguły i rozszerzamy na kolejne wywołania. Uczciwie: żaden filtr nie łapie 100%: celem jest istotne obniżenie ryzyka, audytowalność i to, że to człowiek podejmuje końcowe decyzje przy akcjach nieodwracalnych.
guardrails-gw · Docker / Kubernetes (On-Premises, Air-Gapped lub prywatny VPC w UE)
Executive Brief 1-Pager (Podsumowanie dla Zarządu i Procurement)
Wywołania LLM rozsiane po kodzie to niekontrolowane ryzyko: dane PII trafiają do modelu, prompt-injection i jailbreak przechodzą bez filtra, brakuje limitów per-zespół i audytu. Bez jednej bramy nie da się tego ani uregulować, ani obronić przed RODO.
guardraile: 4 trybydane: zero-retentiondeploy: self-hostentry point: 1×
Docelowe integracje:OpenClawBGE-M3QdrantOllaman8n
→Powiązane