RAIL Guard：弥合LLM智能体负责任AI的评估到修复鸿沟

现有的大语言模型智能体护栏系统以二分类器方式运行、封锁不安全内容，组织只能丢弃失败输出并从头重试。我们提出RAIL Guard，一个闭环负责任AI管线：在八个可测维度上评估LLM输出，并经“评估—重写—再评估”循环迭代修复失败输出。我们在四个前沿LLM、4,276个内容输出与6,400个智能体工具调用场景上开展三组实验。闭环修复达到96.9%收敛率，对比封锁重试的49.1%，但收敛率最高的方法使效用下降22.3%；反馈驱动的自修复在可修复维度上达86.6%收敛且无显著效用损失（p=0.177）。工具调用前评估把不安全智能体执行减少33%（p=0.007），对任务完成零影响。我们识别出可修复维度与结构性维度的关键区别——透明性（93.0%）、可问责性（92.8%）与包容性（82.5%）失败——后者需要架构性而非算法性方案。系统以开源SDK提供。