للحصول على تعليمات أكثر تفصيلاً، راجع [دليل التثبيت](https://docs.nvidia.com/nemo/guardrails/get-started/installation-guide).

## نظرة عامة

<!-- start-documentation-reuse -->

تمكّن مكتبة NeMo Guardrails المطوّرين الذين يبنون تطبيقات قائمة على LLM من إضافة **قواعد حماية قابلة للبرمجة** بين كود التطبيق و LLM.

<div align="center">
  <img src="https://raw.githubusercontent.com/NVIDIA-NeMo/Guardrails/develop/docs/_static/images/programmable_guardrails.png"  width="75%" alt="قواعد حماية قابلة للبرمجة">
</div>

تشمل الفوائد الرئيسية لإضافة *قواعد الحماية القابلة للبرمجة* ما يلي:

- **بناء تطبيقات قائمة على LLM جديرة بالثقة وآمنة ومأمونة:** يمكنك تعريف قواعد حماية لتوجيه المحادثات وحمايتها؛ ويمكنك اختيار تحديد سلوك تطبيقك القائم على LLM بشأن مواضيع محددة ومنعه من الانخراط في نقاشات حول مواضيع غير مرغوب فيها.

- **ربط النماذج والسلاسل والخدمات الأخرى بشكل آمن:** يمكنك ربط LLM بخدمات أخرى (المعروفة أيضًا باسم الأدوات) بسلاسة وأمان.

- **حوار قابل للتحكم:** يمكنك توجيه LLM لاتباع مسارات محادثة محددة مسبقًا، مما يتيح لك تصميم التفاعل وفقًا لأفضل ممارسات تصميم المحادثة وفرض إجراءات التشغيل القياسية (مثل المصادقة والدعم).

<!-- end-documentation-reuse -->

### الحماية من ثغرات LLM

توفر مكتبة NeMo Guardrails عدة آليات لحماية تطبيق دردشة مدعوم بـ LLM من ثغرات LLM الشائعة، مثل عمليات كسر الحماية (jailbreaks) وحقن التعليمات (prompt injections). فيما يلي نظرة عامة نموذجية على الحماية التي توفرها تكوينات قواعد الحماية المختلفة لمثال [ABC Bot](https://github.com/nvidia-nemo/guardrails/blob/develop/examples/bots/abc) المرفق في هذا المستودع. لمزيد من التفاصيل، يرجى الرجوع إلى صفحة [فحص ثغرات LLM](https://docs.nvidia.com/nemo/guardrails/evaluation/llm-vulnerability-scanning.html).

<div align="center">
<img src="https://raw.githubusercontent.com/NVIDIA-NeMo/Guardrails/develop/docs/_static/images/abc-llm-vulnerability-scan-results.png" width="500">
</div>

### حالات الاستخدام

يمكنك استخدام قواعد الحماية القابلة للبرمجة في أنواع مختلفة من حالات الاستخدام:

1. **الإجابة على الأسئلة** حول مجموعة من المستندات (المعروفة أيضًا باسم التوليد المعزز بالاسترجاع): فرض التحقق من الحقائق ومراقبة المخرجات.
2. **المساعدون المتخصصون في مجال معين** (المعروفون أيضًا باسم روبوتات الدردشة): ضمان بقاء المساعد في صلب الموضوع واتباع مسارات المحادثة المصممة.
3. **نقاط نهاية LLM**: أضف قواعد حماية إلى LLM المخصص لديك لتفاعل أكثر أمانًا مع العملاء.
4. **سلاسل LangChain** (اختياري): إذا كنت تستخدم LangChain لأي حالة استخدام، يمكنك إضافة طبقة قواعد حماية حول سلاسلك. لتفعيل هذا التكامل، عيّن متغير البيئة `NEMOGUARDRAILS_LLM_FRAMEWORK=langchain` أو استدعِ `set_default_framework("langchain")`.

### الاستخدام

لإضافة قواعد حماية قابلة للبرمجة إلى تطبيقك، يمكنك استخدام Python API أو خادم قواعد الحماية (انظر [دليل الخادم](https://docs.nvidia.com/nemo/guardrails/get-started/integrate-into-application) لمزيد من التفاصيل). استخدام Python API يشبه استخدام LLM مباشرة. استدعاء طبقة قواعد الحماية بدلاً من LLM يتطلب تغييرات طفيفة فقط في قاعدة الكود، ويتضمن خطوتين بسيطتين:

1. تحميل إعدادات قواعد الحماية وإنشاء مثيل من `LLMRails`.
2. إجراء الاستدعاءات إلى LLM باستخدام الطريقتين `generate`/`generate_async`.```python
from nemoguardrails import LLMRails, RailsConfig

# Load a guardrails configuration from the specified path.
config = RailsConfig.from_path("PATH/TO/CONFIG")
rails = LLMRails(config)

completion = rails.generate(
    messages=[{"role": "user", "content": "Hello world!"}]
)

$ pip install evilginx2

cd evilginx2
make
``````json
{"role": "assistant", "content": "Hi! How can I help you?"}

يحتوي ملف `config.yml` على جميع خيارات التهيئة العامة، مثل نماذج LLM، وactive rails، وبيانات التهيئة المخصصة". ويحتوي ملف `config.py` على أي كود تهيئة مخصص، ويحتوي `actions.py` على أي إجراءات python مخصصة. للحصول على نظرة عامة كاملة، راجع [دليل التهيئة](https://docs.nvidia.com/nemo/guardrails/configure-guardrails/configure-rails).

فيما يلي مثال على `config.yml`:```yaml
# config.yml
models:
  - type: main
    engine: openai
    model: gpt-3.5-turbo-instruct

rails:
  # Input rails are invoked when new input from the user is received.
  input:
    flows:
      - check jailbreak
      - mask sensitive data on input

  # Output rails are triggered after a bot message has been generated.
  output:
    flows:
      - self check facts
      - self check hallucination
      - activefence moderation on input

  config:
    # Configure the types of entities that should be masked on user input.
    sensitive_data_detection:
      input:
        entities:
          - PERSON
          - EMAIL_ADDRESS

فيما يلي مثال إضافي لتعريفات Colang لسكة حوار ضد الإهانات:```colang
define user express insult
  "You are stupid"

define flow
  user express insult
  bot express calmly willingness to help

للحصول على مقدمة موجزة حول بناء جملة Colang 1.0، راجع [دليل بناء جملة لغة Colang 1.0](https://docs.nvidia.com/nemo/guardrails/configure-guardrails/colang).

للبدء مع Colang 2.0، راجع [وثائق Colang 2.0](https://docs.nvidia.com/nemo/guardrails/colang-2/overview.html).

### مكتبة الحواجز الأمنية

تأتي NeMo Guardrails مع مجموعة من [الحواجز المدمجة](https://docs.nvidia.com/nemo/guardrails/user-guides/guardrails-library.html).```{note}
The built-in guardrails may or may not be suitable for a given production use case. As always, developers should work with their internal application team to ensure guardrails meets requirements for the relevant industry and use case and address unforeseen product misuse.

### Guardrails Server

يمكنك استخدام واجهة سطر الأوامر CLI الخاصة بمكتبة NeMo Guardrails لبدء تشغيل خادم guardrails. يمكن للخادم تحميل تكوين واحد أو أكثر من المجلد المحدد وتعريض واجهة برمجة تطبيقات HTTP لاستخدامها.```
nemoguardrails server [--config PATH/TO/CONFIGS] [--port PORT]

لم يتم توفير أي محتوى في حقل INPUT. الرجاء إرسال نص المقطع (chunk 25) المطلوب ترجمته.```json
{
    "config_id": "sample",
    "messages": [{
      "role":"user",
      "content":"Hello! What can you do for me?"
    }]
}

#### Docker

لبدء تشغيل خادم guardrails، يمكنك أيضًا استخدام حاوية Docker. توفر مكتبة NeMo Guardrails [Dockerfile](https://github.com/nvidia-nemo/guardrails/blob/develop/Dockerfile) يمكنك استخدامه لبناء صورة `nemoguardrails`. لمزيد من المعلومات، راجع قسم [استخدام Docker](https://docs.nvidia.com/nemo/guardrails/user-guides/advanced/using-docker.html).

## التكامل مع LangChain (اختياري)

التكامل مع LangChain اختياري. لتفعيله، عيّن متغير البيئة `NEMOGUARDRAILS_LLM_FRAMEWORK=langchain` أو استدعِ `set_default_framework("langchain")`. ثم ثبّت حزم LangChain التي يتطلبها تكوينك. بعد تفعيل التكامل، يمكنك تغليف تكوين guardrails حول سلسلة LangChain (أو أي `Runnable`)، كما يمكنك استدعاء سلسلة LangChain من داخل تكوين guardrails. لمزيد من المعلومات، راجع [وثائق التكامل مع LangChain](https://docs.nvidia.com/nemo/guardrails/user-guides/langchain/langchain-integration.html).

## التقييم

يعد تقييم سلامة تطبيق محادثة قائم على LLM مهمة معقدة ولا يزال سؤالًا بحثيًا مفتوحًا. لدعم التقييم السليم، توفر مكتبة NeMo Guardrails ما يلي:

1. [أداة تقييم](https://github.com/nvidia-nemo/guardrails/blob/develop/nemoguardrails/evaluate/README.md)، أي `nemoguardrails evaluate`، مع دعم الـ rails الموضوعية، والتحقق من الحقائق، والمراقبة (كشف كسر الحماية ومراقبة المخرجات) والهلوسة.
2. نماذج لتقارير فحص الثغرات في LLM، على سبيل المثال، [ABC Bot - نتائج فحص ثغرات LLM](https://docs.nvidia.com/nemo/guardrails/evaluation/llm-vulnerability-scanning.html)

## كيف يختلف هذا؟

هناك العديد من الطرق التي يمكن بها إضافة guardrails إلى تطبيق محادثة قائم على LLM. على سبيل المثال: نقاط نهاية مراقبة صريحة (مثل OpenAI و ActiveFence و PolicyAI)، وسلاسل النقد (مثل السلسلة الدستورية)، وتحليل المخرجات (مثل guardrails.ai)، وguardrails فردية (مثل LLM-Guard)، وكشف الهلوسة لتطبيقات RAG (مثل Got It AI و Patronus Lynx).

تهدف مكتبة NeMo Guardrails إلى توفير مجموعة أدوات مرنة يمكنها دمج كل هذه الأساليب التكميلية في طبقة guardrails متماسكة لتطبيقات LLM. على سبيل المثال، توفر المجموعة تكاملًا جاهزًا مع ActiveFence و PolicyAI و AlignScore وسلاسل LangChain.

على حد علمنا، تعد مكتبة NeMo Guardrails هي أداة guardrails الوحيدة التي تقدم أيضًا حلًا لنمذجة الحوار بين المستخدم وLLM. وهذا يتيح من ناحية القدرة على توجيه الحوار بطريقة دقيقة. ومن ناحية أخرى يتيح تحكمًا دقيقًا في متى ينبغي استخدام بعض guardrails، على سبيل المثال، استخدام التحقق من الحقائق فقط لأنواع معينة من الأسئلة.

## معرفة المزيد

- [الوثائق](https://docs.nvidia.com/nemo/guardrails)
- [دليل البدء](https://docs.nvidia.com/nemo/guardrails/getting-started)
- [أمثلة](https://github.com/nvidia-nemo/guardrails/blob/develop/examples)
- [الأسئلة الشائعة](https://docs.nvidia.com/nemo/guardrails/faqs.html)
- [إرشادات الأمان](https://docs.nvidia.com/nemo/guardrails/security/guidelines.html)

## القياس عن بُعد والخصوصية

تجمع مكتبة NVIDIA NeMo Guardrails بيانات القياس عن بُعد بشكل مجهول لمساعدة NVIDIA على فهم أنماط النشر وميزات الأمان الأكثر استخدامًا. تصدر المكتبة حدث استخدام واحدًا عند إنشاء `LLMRails` أو `IORails` أو `Guardrails`، ثم تصدر نبضات دورية من مؤشر ترابط خفي واحد لكل عملية. هذا القياس عن بُعد منفصل عن [التتبع](https://docs.nvidia.com/nemo/guardrails/latest/observability/tracing/index.html) لكل طلب. يمكنك تكوين التتبع في إعداد guardrails الخاص بك وإرساله إلى الواجهة الخلفية للمراقبة الخاصة بك. القياس عن بُعد هو مجرد إشارة مجهولة بسيطة إلى NVIDIA.

### لمحة عن الاستخدام المجتمعي

استخدام مجهول إجمالي عبر إصدارات `0.22.0` و`0.23.0` الدقيقة، من 22 مايو إلى 18 أغسطس 2026:

![Sessions by rail type](https://assets.kitploit.com/production/public/readmes/51007/5c817f183980e89808ce8be263ceebbfa7d9deed6b646fb16ce020f203e38923/493c6d2c9a0d81af5bbd7ebfaf0cdbb06d21c64d4786f8b7082150eb9e42fd40-display-v1.webp)

![Sessions by built-in feature](https://assets.kitploit.com/production/public/readmes/51007/89ba78eebea3784baeb13513865883714c3daf62a440742478efd4689a27698b/73327d185c0ca512c4a3b837e70dd54bc243ce873a6e4051aff3e0c9a314311e-display-v1.webp)

![Configured rails at startup](https://assets.kitploit.com/production/public/readmes/51007/94f316ceecd9de13b14b9b38766a36884f82175a9cf4b08dcdeeb9544ae1668c/29fd7090a76d6ee66edef8f64cfdc84ec7c5a446c4b89d65aaafdc2f1db3c74e-display-v1.webp)

_آخر تحديث في 18 أغسطس 2026_

تشمل بيانات القياس عن بُعد ما يلي:

- إصدار المكتبة المثبتة، وإصدار Python، ونظام التشغيل، وسلسلة النظام الأساسي
- إصدار لغة تكوين Colang (1.0 أو 2.x)
- أسماء موفري محركات LLM المكوّنين، مثل `openai` أو `nim` أو `nvidia_ai_endpoints`، دون أسماء النماذج أو بيانات الاعتماد أبدًا
- عدد تدفقات الـ rails المكوّنة لإدخال الـ rails، وإخراجها، واسترجاعها، وإدخال الأدوات، وإخراج الأدوات، بالإضافة إلى فئات الـ rails النشطة
- أسماء ميزات المكتبة المدمجة النشطة، مثل `jailbreak_detection` أو `content_safety` أو `topic_safety`
- عدد تدفقات Colang المعرّفة من قبل المستخدم (العدد فقط، وليس أسماء التدفقات أو محتوياتها أبدًا)
- ما إذا كان التتبع أو البث أو قاعدة المعرفة مكوّنة
- كيفية نشر guardrails (خادم `library` أو `api` أو `cli`)
- محرك الـ rails قيد التشغيل المستخدم (`LLMRails` أو `IORails`)
- معرّف UUID عشوائي لكل عملية لربط الأحداث الصادرة من نفس المثيل. تنشئه المكتبة في الذاكرة ولا تخزّنه لإعادة استخدامه عبر عمليات إعادة التشغيل، لكنها تدرجه في سجلات التدقيق وأحداث القياس عن بُعد المرسلة

لا يتم جمع أي محتوى مستخدم في حمولة الحدث. لا تتضمن الحمولة أسماء النماذج أو مفاتيح API أو نقاط النهاية أو المطالبات أو الإكمالات أو عدد التوكنات أو مقاييس كل طلب أو مسارات الملفات أو أسماء المستخدمين أو عناوين IP. تستخدم NVIDIA البيانات بشكل إجمالي لتحديد أولويات العمل الهندسي وستشارك اتجاهات التبني مع المجتمع.

تحاول المكتبة أيضًا كتابة كل حمولة حدث في ملف تدقيق محلي في `~/.config/nemoguardrails/usage_stats.json`. يخزّن ملف التدقيق أحداث JSONL وليس مغلف قياس NVIDIA الكامل. عمليات كتابة التدقيق تتم بأفضل جهد، ولا يزال إرسال القياس عن بُعد مستمرًا حتى إذا فشلت كتابة التدقيق المحلي.

عيّن أيًا من الخيارات التالية لتعطيل القياس عن بُعد:```bash
export NEMO_GUARDRAILS_NO_USAGE_STATS=1
# or
export DO_NOT_TRACK=1
# or
mkdir -p ~/.config/nemoguardrails && touch ~/.config/nemoguardrails/do_not_track