Installation
pip install "rail-score-sdk[litellm]" litellm
Utilisation en tant que garde-fou
from rail_score_sdk.integrations import RAILGuardrail
import litellm
# Enregistrer RAIL comme un garde-fou
rail_guardrail = RAILGuardrail(
api_key="YOUR_RAIL_API_KEY",
threshold=7.0,
mode="basic",
action="block", # "block" | "warn" | "regenerate"
)
litellm.callbacks = [rail_guardrail]
# Maintenant, tous les appels LiteLLM sont automatiquement notés
response = await litellm.acompletion(
model="gpt-4o",
messages=[{"role": "user", "content": "Expliquez l'informatique quantique."}],
)
# Accéder aux données RAIL à partir des métadonnées de la réponse
print(response._hidden_params["rail_score"])
print(response._hidden_params["rail_threshold_met"])
Utilisation directe
from rail_score_sdk.integrations import RAILGuardrail
guardrail = RAILGuardrail(
api_key="YOUR_RAIL_API_KEY",
threshold=7.0,
)
result = await guardrail.async_post_call_success_hook(
data={"messages": [...]},
response=llm_response,
)
RAILGuardrail implémente l’interface CustomLogger de LiteLLM, donc il fonctionne avec n’importe quel modèle pris en charge par LiteLLM, y compris les modèles locaux via Ollama.