鐵人檔案
在 LLM 深入企業流程的當下，AI Guardrails 已成為治理、風險與合規（GRC）落地的重要工程手段，但「有導入」不代表「能證明有效」。本系列從 Guardrails 生命週期出發，探討如何將風險與政策要求轉成可測試案例，透過合成資料建立可重跑的測試集，再以規則、LLM-as-a-Judge、Reward Model 與人工校準驗證資料品質與防護成效；並從 PII、Prompt Injection、RAG、Streaming 與 Agent 等企業情境，討論不同防護技術的組合與選型，整理出一套可驗證、可比較、可持續調整的 LLM 防護工程方法學。
Day 7 到 Day 10 分別談了 Seed、Stage、Dependency 與 Quality Control。四個部分各自拆清楚後，要把它們接成一條...
在 Day 10 的文章裡，筆者把合成資料的品質檢查拆成三層：先看資料結構，再用確定性規則核對已知條件，最後才把難以直接寫成規則的問題交給語意判斷。 讀者可能會...
在 Day 12 文章裡談規則式（Rule）Guardrails 時有個界線很明顯：有些事情只要條件寫得夠清楚，根本不需要 LLM As A Judge 來協助...
上一篇 Day 13 談 LLM-as-a-Judge （下稱 Judge）適合處理什麼時，筆者把它的位置放得很清楚：由規則式（Rule）Guardrails...
前兩篇已經花了不少篇幅談 LLM-as-a-Judge：Day 13 說明它適合判斷哪些問題，Day 14 則處理 Judge 自己也可能誤判的情況。到了 Da...
Day 14 裡，筆者遇過候選已經提供正式求助窗口，Judge 卻說它沒有提供的情況。Day 15 則談到另一個限制：Reward Model 能替同一組候選排...
一段客服逐字稿要交給摘要模型，但模型不能取得原始個資。姓名、電話和地址得遮住，顧客要查詢配送進度這件事又必須留下。做完去識別化後，怎麼確認這份資料能用？ 今天沿...
一段客服紀錄要交給摘要服務，但姓名、電話與地址不能跟著送出去。遮掉個資之後，還得留下「商品尚未送達，需要查詢配送進度」這件事。 前幾天分別談了資料怎麼準備、怎麼...
新的章節：到底企業需要哪幾大類的 AI Guardrails？ 在實際的企業場景裡，我們常常會遇到到底要使用哪些 AI 護欄的問題;大部分人想到的可能都是如何使...
假設顧客對客服機器人說：「幹，等了一週還沒收到，幫我查一下配送進度。」 這句有髒話，也有清楚的客服需求。如果系統只回「你的內容不符合規範」，配送問題仍然沒處理。...
