samples/guardrails-ai_1 — awesome-ai-stack

예제

Guardrails AI — 구현 샘플

실제로 실행 가능한 미니 프로젝트입니다. 받아서 Docker로 실행해 보세요.

GitHub에서 samples/guardrails-ai_1 보기 ↗

2026년 6월 28일

Guardrails AI — 구현 샘플

아주 작은 Guardrails AI 샘플입니다. LLM에 JSON을 요청한 뒤, 그 출력을 Pydantic 스키마로 검증합니다 — 타입을 변환하고 age >= 0 제약을 확인한 다음에야 신뢰합니다.

설정

cd samples/guardrails-ai_1
cp .env.sample .env
# .env 편집: OPENAI_API_KEY 설정(LLM 호출에 사용)

Docker로 실행

cd samples/guardrails-ai_1
docker build -t aas-guardrails .
docker run --rm --env-file .env aas-guardrails

Docker로 실행 (DooD를 쓰는 devcontainer에서)

Docker-outside-of-Docker에서는 포그라운드 docker run이 아무것도 출력하지 않을 수 있습니다 — detached로 실행하고 로그를 따라가세요:

docker logs -f "$(docker run -d --env-file .env aas-guardrails)"

로컬에서 실행

cd samples/guardrails-ai_1
pip install -r requirements.txt
python app.py

실행 결과

모델이 Rex·dog·3이 담긴 JSON을 반환하고, Guard가 이를 스키마에 맞춰 파싱· 검증합니다. gpt-4o-mini로 실행한 한 예입니다:

validation passed: True
validated output: {'name': 'Rex', 'species': 'dog', 'age': 3}

.env.sample

# Copy to `.env` and add your OpenAI API key (used for the guarded LLM call).
#   cp .env.sample .env
OPENAI_API_KEY=

MODEL=gpt-4o-mini

app.py

"""Guardrails AI: validate an LLM's output against a typed schema.

The model is asked for JSON (our prompt), then a Guard built from a Pydantic
schema parses and validates that output — coercing types and enforcing
constraints (here, age >= 0) before you trust it. The LLM call uses
OPENAI_API_KEY via LiteLLM.

Run:
    docker build -t aas-guardrails .
    docker run --rm --env-file .env aas-guardrails
"""

import os

from dotenv import load_dotenv
from pydantic import BaseModel, Field
from guardrails import Guard
from litellm import completion

load_dotenv()

MODEL = os.environ.get("MODEL", "gpt-4o-mini")


class Pet(BaseModel):
    name: str = Field(description="the pet's name")
    species: str = Field(description="the kind of animal, e.g. dog or cat")
    age: int = Field(description="age in whole years", ge=0)


def main() -> None:
    # 1) The model produces output from our prompt — we control what it sees.
    raw = completion(
        model=MODEL,
        temperature=0,
        messages=[
            {
                "role": "user",
                "content": (
                    "Extract the pet into a JSON object with keys name, species, age. "
                    "Return only the JSON.\n\nSentence: Rex is a three-year-old dog."
                ),
            }
        ],
    ).choices[0].message.content

    # 2) Guardrails parses + validates that output against the Pet schema.
    guard = Guard.for_pydantic(Pet)
    outcome = guard.parse(raw)

    print("raw model output:", raw)
    print("validation passed:", outcome.validation_passed)
    print("validated output:", outcome.validated_output)


if __name__ == "__main__":
    main()

Dockerfile

FROM python:3.13-slim

ENV PYTHONUNBUFFERED=1

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY app.py .

ENTRYPOINT ["python", "app.py"]