英文：Safety Guardrails 分类：alignment
部署时对模型行为进行约束的机制总称：输入过滤、输出审核、话题边界、拒绝策略，确保模型始终在安全边界内运行。
层次：输入端（提示注入检测、敏感话题拦截）、输出端（有害内容分类、毒性过滤、事实核验）、行为端（拒绝模板、角色边界）；实现：规则+分类器+大模型审查；评估：拦截率、误伤率（正常请求被拦）。
用于生产环境 LLM 服务（API 安全）、客服机器人（合规话术）、教育/儿童应用与多租户平台；安全护栏是"模型上线安全"的运行期保障。