该功能是AlignLab在模型安全评估中实现的动态防护机制，其核心是通过专门的AI模型实时监控目标模型的输出。以集成的Llama-Guard-3为例：
Working Principle
- 前置过滤：在用户输入传递到主模型前，先由守卫模型检测潜在恶意指令
- 后置拦截：对主模型生成的内容进行二次审查，阻断违规输出
- 裁判评估：作为独立评分者，对测试结果进行安全等级判定
technical realization
AlignLab通过标准化接口抽象不同守卫模型的差异：
- 支持HuggingFace/本地化模型部署
- 提供统一的prompt模板和评估协议
- 可配置多守卫串联工作（如先用轻量级模型初筛，再用复杂模型精判）
applied value
此功能特别适用于高风险场景（如医疗问答、金融建议），能在不修改主模型的情况下，通过外部防护层显著降低有害内容产生概率。
This answer comes from the articleAlignLab：用于对齐大语言模型的综合工具集The
May not be reproduced without permission:AI productivity tools " AlignLab的”守卫模型集成”功能具体指什么？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil