> ## 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

> Validez les sorties de modèles TokenLab avec Guardrails

## Aperçu

Guardrails peut encapsuler tout appelable compatible avec son interface API LLM. Pour TokenLab, configurez le SDK OpenAI avec l'URL de base de TokenLab et passez l'appelable de complétions de chat à votre guard.

<Note>
  **Type** : Framework de validation et de sortie structurée

  **Chemin principal** : Chat Completions compatible OpenAI

  **Niveau de support** : Chemin compatible OpenAI pris en charge
</Note>

## Environnement

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

## Exemple

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

## Notes sur les endpoints

Guardrails se concentre sur la validation autour de l'appel LLM. Utilisez le chemin compatible OpenAI pour les flux de chat-completions, ou passez un appelable personnalisé si votre application nécessite un endpoint TokenLab natif.