> ## 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

> Validieren Sie TokenLab-Modellausgaben mit Guardrails

## Übersicht

Guardrails kann jeden aufrufbaren Code (Callable) umschließen, der mit seiner LLM-API-Schnittstelle kompatibel ist. Konfigurieren Sie für TokenLab das OpenAI SDK mit der Basis-URL von TokenLab und übergeben Sie das Chat-Completions-Callable an Ihren Guard.

<Note>
  **Typ**: Validierungs- und Framework für strukturierte Ausgaben

  **Primärer Pfad**: OpenAI-kompatible Chat Completions

  **Support-Status**: Unterstützter OpenAI-kompatibler Pfad
</Note>

## Umgebung

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

## Beispiel

```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?"}],
)
```

## Hinweise zu Endpunkten

Guardrails konzentriert sich auf die Validierung rund um den LLM-Aufruf. Verwenden Sie den OpenAI-kompatiblen Pfad für Chat-Completions-Abläufe oder übergeben Sie ein benutzerdefiniertes Callable, falls Ihre Anwendung einen nativen TokenLab-Endpunkt benötigt.