> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt
> Use this file to discover all available pages before exploring further.

# Guardrails

> التحقق من مخرجات نموذج TokenLab باستخدام Guardrails

## نظرة عامة

يمكن لـ Guardrails تغليف أي كائن قابل للاستدعاء (callable) متوافق مع واجهة برمجة تطبيقات LLM الخاصة به. بالنسبة لـ TokenLab، قم بتهيئة OpenAI SDK باستخدام عنوان URL الأساسي لـ TokenLab وقم بتمرير كائن chat completions القابل للاستدعاء إلى الـ guard الخاص بك.

<Note>
  **النوع**: إطار عمل للتحقق والمخرجات المهيكلة

  **المسار الأساسي**: OpenAI-compatible Chat Completions

  **مستوى دعم الموثوقية**: مسار متوافق مع OpenAI مدعوم
</Note>

## البيئة

```bash theme={null}
export TOKENLAB_API_KEY="sk-your-tokenlab-key"
```

## مثال

```python theme={null}
import os

from guardrails import Guard
from openai import OpenAI
from pydantic import BaseModel, Field


class Pet(BaseModel):
    pet_type: str = Field(description="Species of pet")
    name: str = Field(description="A unique pet name")


guard = Guard.for_pydantic(output_class=Pet)

client = OpenAI(
    api_key=os.environ["TOKENLAB_API_KEY"],
    base_url="https://api.tokenlab.sh/v1",
)

raw_output, validated_output, *rest = guard(
    llm_api=client.chat.completions.create,
    model="claude-sonnet-5",
    messages=[{"role": "user", "content": "What kind of pet should I get?"}],
)
```

## ملاحظات حول نقاط النهاية (Endpoint Notes)

يركز Guardrails على التحقق المحيط باستدعاء LLM. استخدم المسار المتوافق مع OpenAI لتدفقات chat-completions، أو قم بتمرير كائن قابل للاستدعاء مخصص إذا كان تطبيقك يحتاج إلى نقطة نهاية أصلية لـ TokenLab.