Blank white background with no objects or features visible.

EMEA, hallo! TrueFoundry breidt zijn aanwezigheid uit in Europa, het Midden-Oosten en Afrika. Lees meer. →

Data Loss Prevention voor LLM-verkeer: Waar het moet worden geplaatst

DoorAshish Dubey

Bijgewerkt: november 20, 2026

Gepubliceerd: november 9, 2026

⚡ TL;DR
  • Klassieke netwerk-DLP ziet geen LLM-verkeer. Geen bestand, geen bijlage, geen verdachte bestemming - een TLS-sessie naar een legitieme SaaS-API, inhoud verborgen in een JSON-array met berichten. De werkelijke lekkanalen zijn geheimen in prompts, broncode in contextvensters, klant-PII uit RAG-retrieval, data die beweegt via tool-calls en bewaartermijnen van providers.
  • Het bewaarbeleid van een provider is een contract, geen besturingselement. Je kunt het niet in real-time auditen en het doet niets tegen een ontwikkelaar die een persoonlijke API-sleutel heeft gebruikt.
  • DLP moet zich bevinden op het uitgaande knelpunt dat het verzoek beëindigt, het schema analyseert en de aanroeper kent. In de praktijk is dat een AI-gateway.
  • TrueFoundry levert geen product genaamd DLP - je stelt er zelf een samen uit guardrails en loggingregels. Drie ingebouwde functies zijn niet beschikbaar bij zelf-hosting; de gedocumenteerde alternatieven staan hieronder.

Wat DLP betekent wanneer het uitgaande pad een LLM-API is

Data Loss Prevention is gebouwd voor artefacten. Een bestand met een extensie. Een e-mail met een bijlage. Een upload naar een consumentendrive. Een USB-schrijfactie. Elk heeft een vorm die een beleidsengine herkent, een bestemming die het classificeert en een actie die het onderbreekt.

Een LLM-API-call heeft die vorm helemaal niet. Een prompt is een HTTPS POST naar api.openai.com met een JSON-body die een berichten-array bevat. Geen bestand, geen bijlage en een bestemming waarvoor je betaalt en die op de whitelist staat - op de netwerklaag niet te onderscheiden van elke andere legitieme call die je maakt.

Het probleem in één zin: het exfiltratiepad en het goedgekeurde zakelijke pad zijn hetzelfde pad.


Klassieke netwerk-DLP LLM-uitgang
Het artefact Bestand, bijlage, formulerveld, klembord-gebeurtenis Een string in een geneste JSON-body
De bestemming Niet-geautoriseerd domein, persoonlijke drive, externe mail Een geautoriseerde, betaalde API op de whitelist
Het signaal Upload-gebeurtenis, MIME-type, bestandsextensie Content-Type: application/json
Wie handelt Een persoon die op verzenden klikt Een agent die autonoom herhaalt, niemand aanwezig

Zelfs met TLS-inspectie - wat veel organisaties overslaan bij API-verkeer - ziet de proxy een JSON-document. Engines die zijn gebouwd voor documenten en formulierposts begrijpen geen conversatie-array met een systeem-prompt, een opgehaald document en vier afgewisselde tool-resultaten. Ze matchen een regex voor creditcards in platte tekst; ze merken niet dat bericht vier de klantentabel bevat. En de bestemming kan niet worden geblokkeerd: een regel die verkeer naar OpenAI stopt, stopt het product.

De vijf kanalen waarlangs data werkelijk weglekt

Geheimen geplakt in prompts. Een ontwikkelaar stuit op een fout, kopieert de stacktrace en kopieert het configuratieblok erboven - dat een AWS-sleutel of een database-verbindingsstring bevat. Ze zijn niet onvoorzichtig met geheimen; ze zijn grondig in het debuggen. Het geheim is incidentele context, maar het lekt wel weg.

Broncode in contextvensters. Coding-agents hebben het volume met een orde van grootte vergroot. Een mens plakt een functie. Een agent voegt het bestand toe, de imports, de testsuite en wat er verder nog past, bij elke beurt, onbeheerd. In een week tijd sturen drie coding-agents meer broncode naar buiten dan een vertrekkende werknemer op een USB-stick zou kunnen meenemen.

Klant-PII uit RAG-retrieval. De subtiele variant. Je applicatie haalt een ticket op dat de gebruiker mag lezen en plaatst het in de prompt. Rechten om te lezen betekenen geen goedkeuring om te verzenden naar een externe provider. Toegangsbeheer beantwoordt de eerste vraag correct en de data verlaat alsnog het systeem, omdat niets de tweede vraag stelt.

Data die beweegt via tool-calls. Met MCP ontvangt het model niet alleen context - het haalt meer op. Een agent roept een database-tool aan, 500 rijen belanden in het contextvenster en de volgende beurt gaan ze samen met al het andere naar de provider. Argumenten lekken naar buiten, resultaten naar binnen, en beide stappen zijn onzichtbaar voor alles wat alleen naar de eerste prompt kijkt.

Training en bewaartermijn bij de provider. Alles hierboven is wat weglekt; dit is wat er vervolgens gebeurt. Hoe lang de payload wordt opgeslagen, of er een model mee wordt getraind en wie het leest.

TrueFoundry AI Gateway LLM request flow: input guardrails before the model call, output guardrails after the response

TrueFoundry AI Gateway LLM-verzoekstroom: input-guardrails vóór de model-call, output-guardrails na de respons

MCP tool invocation flow: pre-invoke guardrails before the tool runs, post-invoke guardrails before the result reaches the model

MCP tool-aanroepstroom: pre-invoke guardrails voordat de tool draait, post-invoke guardrails voordat het resultaat het model bereikt

Waarom het bewaarbeleid van de provider niet jouw besturingselement is

De meeste AI-programma's sluiten de DLP-vraag af met een inkoopantwoord: we hebben de zero-retention addendum ondertekend. Handig om te hebben. Maar geen besturingselement, om drie redenen.

Het is een bewering, geen handhavingspunt. Geen enkele API vertelt je dat een verzoek is uitgesloten van training, en er gaat niets af in je SIEM wanneer de belofte wordt gebroken. Je vertrouwt op het proces van een tegenpartij - commercieel redelijk, architecturaal zwak.

Het geldt alleen voor het account dat je hebt onderhandeld. Een ontwikkelaar die door zijn quota heen is en een persoonlijke sleutel in een omgevingsvariabele stopt, roept dezelfde provider aan zonder dat jouw voorwaarden van toepassing zijn. Dat is shadow AI, en geen enkel contract bereikt dat.

Het zegt niets over wat je niet had moeten sturen. Zero-retention op een prompt met een actieve AWS-sleutel betekent nog steeds dat die sleutel naar een derde partij is gereisd en geroteerd moet worden. Bewaarvoorwaarden gaan over opslag, niet over openbaarmaking.

Het besturingselement dat je bezit, eindigt bij je perimeter. Daarbuiten is alles de belofte van iemand anders, en je enige hefboom is beslissen wat er oversteekt.

Waar DLP moet worden geplaatst

Vier plaatsen kunnen het huisvesten. Eén doet dat goed.

Positie Wat het ziet Waarom het tekortschiet
Endpoint-agent Klembord, browser, lokale bestanden Vangt een mens op die in een chatvenster plakt; blind voor server-side apps en agents, waar het volume zit
Netwerkproxy / CASB TLS-metadata; JSON-body met inspectie Bestemming per ontwerp op de whitelist; document-engines parseren de body slecht; geen identiteit buiten een IP
Applicatiecode Alles, met volledige context In principe juist, maar per app opnieuw geïmplementeerd, veroudert snel, niet afdwingbaar over teams heen
AI-gateway Het geparste verzoek, de respons en elke tool-call, gekoppeld aan een geauthenticeerde aanroeper Beheert alleen verkeer dat erdoorheen wordt geleid

De gateway wint op vier eigenschappen tegelijk: het beëindigt het verzoek, dus het bevat platte tekst; het begrijpt het schema, redenerend over messages[2].content in plaats van bytes; het authenticeert de aanroeper, zodat bevindingen worden gekoppeld aan een gebruiker of team; en het bevindt zich ook op het tool-pad, de enige manier om het MCP-kanaal te dekken. Hetzelfde argument dat PII-redactie in de gateway plaatst in plaats van in elke applicatie afzonderlijk.

De eerlijke limiet: een gateway beheert alleen wat erdoorheen wordt geleid. Uitgaand netwerkbeleid - weiger rechtstreeks uitgaand verkeer naar providerdomeinen, sta de gateway toe - is een vereiste, geen extraatje.

Waar teams de mist in gaan

Het logboek anonimiseren in plaats van het netwerkverkeer. Makkelijk te doen, omdat beide functies redactie worden genoemd. Het opschonen van PII uit opgeslagen verzoekbodies beschermt je observability-store; het doet niets aan wat de provider heeft ontvangen, omdat het live verzoek eerst is doorgestuurd en redactie is toegepast op de kopie. Twee besturingselementen, twee dreigingsmodellen, en ze verwarren leidt tot een schone trace-viewer en een ongewijzigd lek.

Aannemen dat detectie blokkering impliceert. Een detector die alleen mutateert, herschrijft de payload en laat deze per ontwerp door. Als je beleid is "weiger elk verzoek dat een burgerservicenummer bevat", dan implementeert een redagerende guardrail een zwakkere regel. Controleer de werkingsmodus van elk besturingselement, niet alleen de detectiedekking.

Alleen de input in de gaten houden. Geheimen lekken net zo vaak naar buiten als naar binnen: een model dat een credential te zien krijgt zal deze herhalen, en een tool-resultaat met een verbindingsstring stroomt terug in de context. Output- en post-tool-hooks zijn geen optionele extra's.

Wil je zien wat je prompts bevatten?
Koppel een guardrail voor geheimen en PII in audit-modus en lees een week aan echt verkeer voordat je iets blokkeert.

Hoe dit werkt in TrueFoundry

Eerst de eerlijke framing: TrueFoundry heeft geen product genaamd DLP. Geen DLP-pagina, geen beleidsobject, geen dashboard. Wat bestaat zijn guardrails op vier hooks plus een regelgebaseerde loggingconfiguratie, en je stelt een posture samen uit die onderdelen.

De hooks zijn LLM Input, LLM Output, MCP Tool Pre-Invoke en MCP Tool Post-Invoke, en guardrails draaien op elke tool-call afzonderlijk - vijf tools op rij betekent vijf sets controles. Redactie vindt plaats in de modus Mutate, die de payload herschrijft voordat het verzoek uitgaat; Validate inspecteert en kan blokkeren, maar raakt de data nooit aan. Het gerelateerde artikel over data masking in de AI-gateway behandelt die mechanismen volledig.

TrueFoundry Guardrails catalogue listing the built-in guardrail integrations available in a group
TrueFoundry Guardrails-catalogus met het overzicht van ingebouwde guardrail-integraties die beschikbaar zijn in een groep

De ingebouwde functies die DLP-werk doen

Guardrail Werking Vangt op
Secrets Detection Validate of Mutate Cloud-, AI-provider-, repository-, chat- en betalings-credentials; DB-verbindingsstrings; privésleutels; JWT's. Standaardvervanging ***REDACTED***
PII / PHI Detection Alleen Mutate Geselecteerde PII-categorieën. Kan niet blokkeren; redigeert met sterretjes die overeenkomen met de oorspronkelijke lengte
Regex Pattern Matching Validate of Mutate 46 voorinstellingen plus je eigen patronen; labels zoals [REDACTED SSN], aangepaste standaard [REDACTED]
SQL Sanitizer Validate (standaard) of Mutate DROP, TRUNCATE, ALTER, GRANT, REVOKE, DELETE/UPDATE zonder WHERE
Code Safety Linter Alleen Validate eval(, os.system(, rm -rf, curl ... \| bash. Kan niet redigeren

Nog een ingebouwde functie, Content Moderation, valideert Haat, Zelfbeschadiging, Seksueel en Geweld op configureerbare ernst. Secrets Detection draait binnen de gateway zonder externe call en dekt twaalf cloud-credential-formaten, vier AI-provider-sleutels, acht repository- en package-manager-tokens, chat-, betalings- en database-URI-schema's en zeven privésleutel-formaten - plus lange hex- en base64-strings nabij trefwoorden zoals api_key. Regex Pattern Matching accepteert organisatie-specifieke identificatiegegevens: voorinstellingen voor SSN, paspoorten, Aadhaar, PAN en netwerken van betaalkaarten, plus aangepaste patronen die een regex koppelen aan een vervanging - EMP-\d{6} naar [REDACTED EMPLOYEE ID].

PII and PHI Detection guardrail form with PII category selection and enforcing strategy
PII and PHI Detection guardrail-formulier met PII-categorieselectie en handhavingsstrategie
Regex Pattern Matching guardrail form showing preset patterns and custom pattern fields
Regex Pattern Matching guardrail-formulier met vooraf ingestelde patronen en velden voor aangepaste patronen

De self-hosted beperking en de alternatieven

Drie ingebouwde functies draaien op beheerde Azure-services die TrueFoundry exploiteert, en zijn alleen beschikbaar wanneer TrueFoundry de gateway host - niet op je eigen infrastructuur, waaronder volledig self-hosted en hybride "Alleen Gateway-plane" uitrolopties vallen, zelfs als TrueFoundry het control plane beheert in het hybride geval. Voor een gereguleerd team is dat precies de uitrol die ze van plan waren, dus de gedocumenteerde alternatieven zijn van belang:

Ingebouwd Beheerde service erachter Self-hosted of hybride? Gedocumenteerde alternatieven
Content Moderation Azure AI Content Safety Nee OpenAI Moderations · AWS Bedrock Guardrails · Enkrypt AI
PII / PHI Detection Azure AI Language - PII Detection Nee Azure PII (breng je eigen sleutel mee) · CrowdStrike
Prompt Injection Azure AI Content Safety - Prompt Shield Nee Azure Prompt Shield (breng je eigen sleutel mee) · Palo Alto Prisma AIRS

Secrets Detection, Regex Pattern Matching, SQL Sanitizer, Code Safety Linter, Metadata Validation, Cedar en OPA worden niet beïnvloed - ze draaien in het gateway-proces. Een self-hosted uitrol houdt de credential- en patrooncontroles intact en vervangt de PII-engine door een variant waarvoor je een eigen sleutel meeneemt. Azure PII is de meest directe vervanger, die meer dan 50 typen persoonlijke informatie identificeert via je eigen Foundry-eindpunt, categorieën en een Domain-instelling (Healthcare voor PHI). Eén verschil: het stuurt het laatste bericht naar de Azure-API, niet de gehele conversatie.

Als je beleid daadwerkelijk "weiger bij PII" is in plaats van "redigeer PII", kan de ingebouwde functie dat niet doen - AWS Bedrock Guardrails ingesteld op blokkeren bij gevoelige informatie is de gedocumenteerde harde stop:

AWS Bedrock Guardrails console configured to block requests containing detected PII
AWS Bedrock Guardrails-console geconfigureerd om verzoeken te blokkeren die gedetecteerde PII bevatten

Partnerproducten kunnen ook worden ingeplugd als guardrails: CrowdStrike AIDR (de enige die een round-trip documenteert - indeling-behoudende versleuteling bij de invoer, hersteld via /v1/unredact), Google Model Armor (heeft een inspectie- en een de-identificatiesjabloon nodig, anders mislukt Mutate), Lasso Security (classificeert blokken, classificeert maskers), Pillar Security (plr_mask) en Cisco AI Defense (alleen valideren).

Instellingen voor prompt-logging

De andere helft van een DLP-posture is wat je eigen platform bewaart. Logging Configuration is regelgebaseerd: regels matchen op onderwerpen (user:, team:, virtualaccount:), modellen of metadata, en bepalen vervolgens of bodies worden gelogd en wat wordt geredigeerd in de opslag.

Drie dingen zijn van belang. Deny wint - een body wordt alleen opgeslagen als elke matchende regel logging toestaan. Redactie is alleen van toepassing op de gelogde kopie; het live verzoek naar de provider wordt nooit gewijzigd. En het beheert alleen bodies - kosten, tokens, latentie en metadata worden altijd vastgelegd. Per verzoek accepteert X-TFY-LOGGING-CONFIG een stringified JSON zoals '{"enabled": true}', en tfy.logging.prompt_logging_enabled legt het resultaat vast in de trace.

Request trace with sensitive values replaced by redaction tokens in the stored body
Request-trace waarbij gevoelige waarden zijn vervangen door redactie-tokens in de opgeslagen body

Over waar data zich bevindt: sinds september 2026 wordt het SaaS-control plane gehost in Ierland. Een tussenliggende uitroloptie slaat verzoek- en responsbodies op in je eigen bucket in parquet - met het gedocumenteerde voorbehoud dat ze nog steeds door het control plane stromen, dat "sommige data zou kunnen cachen". Er is geen zero-retention-modus gedocumenteerd. Als dat van belang is, is de oplossing self-hosted of hybride, en accepteer je het verlies van de door Azure ondersteunde ingebouwde functies.

Een uitgewerkt voorbeeld: een support-agent met databasetoegang

De agent leest klanttickets, raadpleegt een productiereplica via een MCP-tool en stelt antwoorden op - waarbij alle vijf de kanalen worden geraakt.

Registreer de guardrails. Een groep met Secrets Detection, PII / PHI Detection, Regex Pattern Matching (voorinstellingen voor SSN, creditcard en e-mail plus een aangepaste CUST-\d{8}), SQL Sanitizer en Code Safety Linter. Registreren past niets toe op het verkeer; je hebt een beleidsregel nodig.

Schrijf de beleidsregel. Onder AI Gateway → Policies → Guardrails → Add Rule, richt je op de modellen en MCP-servers die de agent gebruikt, koppel het onderwerp aan de virtuele account, en wijs toe per hook:

  • LLM Input - PII / PHI Detection (Mutate) verwijdert de naam en e-mail van de klant; Regex (Mutate) vangt het interne klant-ID op.
  • MCP Tool Pre-Invoke - SQL Sanitizer (Validate) blokkeert een gegenereerde DELETE zonder WHERE.
  • MCP Tool Post-Invoke - PII / PHI en Secrets Detection (Mutate) schonen de geretourneerde rijen op voordat ze het contextvenster binnenkomen.
  • LLM Output - Secrets Detection (Validate) voorkomt dat het model een credential herhaalt; Code Safety Linter (Validate) markeert gevaarlijke shell- of SQL-code in een concept.
Guardrail policy rule editor with target conditions, subject filters and per-hook assignment
Guardrail-beleidsregeleditor met doelvoorwaarden, onderwerpsfilters en toewijzing per hook

Voeg de loggingregel toe. Zelfde virtuele account: bodies gelogd, e-mail, us_ssn en credit_card geredigeerd in opslag, zodat de storingsdienst traces kan lezen zonder klantgegevens te zien.

Draai in audit-modus en schaal daarna op. Elke guardrail is een eigen span in Monitor → Request Traces, voor zowel geblokkeerde als succesvolle verzoeken. Lees een week lang mee - het aangepaste CUST-\d{8}-patroon zal als eerste een foutieve melding geven - en stap dan over naar Enforce But Ignore On Error, wat echte overtredingen blokkeert maar verkeer doorlaat wanneer een guardrail een fout geeft.

Request Traces view with a selected guardrail span showing latency, result and findings
Request Traces-weergave met een geselecteerde guardrail-span die latentie, resultaat en bevindingen toont
Klaar om een echte uitgangscontrole voor je modellen te plaatsen?
Registreer een guardrail-groep, schrijf één beleidsregel en zie deze in actie in Request Traces.

Aandachtspunten die goed zijn om te weten

Output-guardrails worden overgeslagen bij gestreamde responsen. Wanneer stream: true is ingesteld, draaien de controles van de output-hook niet - het evalueren van een respons vereist immers de volledige tekst. Elke chat-UI streamt standaard. Stel stream: false in waar output-controles van belang zijn, of accepteer dat het besturingselement daar inactief is. Input- en MCP-hooks worden niet beïnvloed.

Systeem-prompts worden nooit geïnspecteerd. De gateway verwijdert ze voordat de inhoud naar een guardrail wordt gestuurd, dus niets daarin wordt gescand, geredigeerd of geblokkeerd. CrowdStrike AIDR is de gedocumenteerde uitzondering, en is read-only.

SQL Sanitizer in Mutate-modus blokkeert DROP niet. De documentatie is hier expliciet over: in de mutate-modus worden gevaarlijke statements gelogd, niet geblokkeerd. Gebruik Validate op de pre-invoke hook voor alles wat een echte database raakt.

Gerelateerde artikelen

Conclusie

Het lastige aan DLP voor LLM-verkeer is dat de tooling die de meeste organisaties al hebben gekocht, niet werkt. De apparatuur in het datacenter merkt op wanneer een bestand ergens heen gaat waar het niet hoort. Dit is een string die gaat naar waar het wel hoort - een API op de whitelist, een sessie die niemand inspecteert, een formaat dat de engine nooit heeft leren lezen.

De vraag is dus niet welk DLP-product je moet uitbreiden. Het gaat erom waar het knelpunt zit. Wat je modelverkeer ook beëindigt, de body parseert en weet wie er achter de call zit, is de enige plek waar beleid kan worden uitgedrukt en gehandhaafd. Alles stroomopwaarts mist het schema; alles stroomafwaarts mist de autoriteit.

De rest is gewoon engineering: benoem de entiteitstypen die je belangrijk vindt, draai de detectors in audit-modus totdat de fout-positieven stoppen, schaal op naar handhaving en wees eerlijk over waar de dekking stopt - gestreamde output, systeem-prompts en al het verkeer dat slim genoeg is om om je heen te routeren. Dat laatste is geen guardrail-probleem; dat is een netwerkbeleid.

Plaats een echte uitgangscontrole voor je modellen

Probeer het nu.

Eén gateway voor al je modellen, MCP-servers en agents. Geen creditcard nodig.

Start gratis
Inhoudsopgave

Eén gateway voor elk LLM, elke agent en elke MCP-server

Boek een gesprek van 30 minuten met onze AI-expert

Demo aanvragen

De snelste manier om je AI te bouwen, beheren en schalen

Demo boeken
Samenvatten met
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Ontdek meer

Geen items gevonden.
november 20, 2026
|
5 min leestijd

Bifrost AI Gateway Review: Performance Benchmarked op 1 vCPU

Geen items gevonden.
november 20, 2026
|
5 min leestijd

OpenRouter rate limits: je gratis tier hangt af van wat je al hebt betaald

Geen items gevonden.
november 20, 2026
|
5 min leestijd

Agent-sandboxes uitgelegd: Waarom TrueForge de sandbox als een tool behandelt

Geen items gevonden.
TrueFoundry AI gateway is an enterprise alternative to Bifrost and Portkey
november 20, 2026
|
5 min leestijd

Bifrost vs Portkey: prijzen, gateway-functies en geschiktheid voor enterprise vergeleken

Geen items gevonden.
Geen items gevonden.

Recente blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.

Veelgestelde vragen

Wat is data loss prevention voor LLM-verkeer?

Het inspecteren en beheersen van gevoelige data voordat deze uw perimeter verlaat in een prompt, tool-aanroep, of modelrespons. Het verschilt van klassieke DLP, omdat er geen bestand en geen niet-gesanctioneerde bestemming is - de payload is JSON binnen een TLS-sessie naar een API waarvoor u betaalt. Controles moeten het verzoekschema begrijpen en zich bevinden op een geauthenticeerd uitgaand knelpunt.

Waarom mist klassieke netwerk-DLP LLM-verkeer?

Drie redenen stapelen op. De bestemming staat per ontwerp op de allowlist, dus bestemmingsregels activeren nooit. De content bevindt zich in een geneste conversatiearray in plaats van een bestand of formulierveld, wat document-georienteerde engines slecht kunnen parsen. En zonder TLS-inspectie is er niets om te parsen - terwijl zelfs een inspecterende proxy niet kan zeggen welke beller het verzoek verstuurde.

Kan een AI gateway verzoeken met PII blokkeren?

Dit hangt af van de detector. De ingebouwde PII/PHI-detectie van TrueFoundry is mutate-only - het redigeert altijd, weigert nooit. Voor een harde blokkade heeft u een validate-capabele integratie nodig zoals AWS Bedrock Guardrails, Azure PII, of CrowdStrike. "PII-detectie" in een functielijst vertelt u nooit of het resultaat een redactie of een 400 is.

Can I deploy TrueFoundry in my own VPC or on-prem?

Yes. TrueFoundry runs in your VPC, on-prem, air-gapped, or hybrid, so prompts and responses never leave your domain even as you route across many providers.

Ondersteunt TrueFoundry MCP en AI-agents in het algemeen?

Ja. Het omvat een MCP Gateway, een Agent Gateway, en een MCP & Agents Register met toegangscontrole op toolniveau. Agents op LangGraph, CrewAI, AutoGen, of een aangepast framework kunnen allemaal centraal worden gereguleerd.

Integreert het met mijn bestaande observability-stack?

Ja. De gateway is OpenTelemetry-compliant en sluit aan op Grafana, Datadog, Prometheus, of uw gewenste stack. Het traceert elk verzoek van prompt tot tool- en modeluitvoering, zodat u uniforme logging krijgt zonder wat u al draait te hoeven vervangen.

Volg een korte producttour
Start producttour
Product Tour