autoguardrails

autoguardrails 是一个面向大语言模型（LLM）安全对齐的研究型工具库，旨在通过自动化搜索优化文本策略文件（policy.md）来降低对抗攻击成功率（ASR），同时保障正常请求通过率。其核心采用 autoresearch 风格的轻量级可变表面设计，固定评估套件、裁判提示与运行时预算，以 ASR 为主指标、良性通过率为约束条件进行迭代优化。适用于 LLM 安全防护策略调优、红队测试反馈闭环、内容审核规则自动化演进等 AI 安全研究与工程场景。