rail-score

RAIL Score MCP Server

通过一个 URL 为任意 Agent 添加负责任 AI 安全层。

一个远程托管的 Model Context Protocol 服务，将 RAIL Score 的评估、Agent 护栏和印度 DPDP 合规功能开放给任何 MCP 客户端——Claude、ChatGPT、Cursor、Copilot、Replit Agent、LangGraph、CrewAI 或自定义技术栈——无需集成 SDK。

https://mcp.responsibleailabs.ai/mcp

该服务是现有 REST API api.responsibleailabs.ai/railscore/v1/ 前方一个轻量、加固的网关。它不会重新实现任何评分逻辑：它会验证调用方，为 Agent 使用场景优化请求和响应格式，然后转发给引擎。通过 MCP 和 REST 使用时，额度、租户隔离和速率限制完全一致。

快速开始

你需要从控制面板获取一个 RAIL API 密钥（rail_...）。

Claude Code

claude mcp add --transport http rail https://mcp.responsibleailabs.ai/mcp \
  --header "Authorization: Bearer ${RAIL_API_KEY}"

Cursor / Windsurf（.cursor/mcp.json）

{
  "mcpServers": {
    "rail": {
      "url": "https://mcp.responsibleailabs.ai/mcp",
      "headers": { "Authorization": "Bearer rail_YOUR_KEY" }
    }
  }
}

Claude.ai / Desktop — 前往 Settings → Connectors → Add custom connector → 输入 URL https://mcp.responsibleailabs.ai/mcp，然后粘贴你的 rail_ 密钥。

更多客户端（OpenAI Responses API、LangGraph、Replit）的文档请参阅 docs.responsibleailabs.ai/mcp。

工具

共 9 个工具，名称均以 rail_ 开头。描述中会说明开销、延迟以及不适用的场景，因为 Agent 仅根据描述来选择工具。

工具	用途	额度
rail_evaluate	对内容进行评分，涵盖 8 个 RAIL 维度（可选执行 policy）	基础版 1.0 / 深度版 3.0
rail_check_compliance	根据 gdpr、ccpa、hipaa、eu_ai_act、india_dpdp、india_ai_gov 检查合规性	5–10
rail_detect_injection	检测不可信文本中的提示词注入	0.5
rail_evaluate_tool_call	在工具调用执行前允许、警告或阻止该调用	1.5–3.0
rail_scan_tool_result	扫描工具输出中的 PII 和注入，并返回已脱敏文本	0.5–1.0
rail_safe_regenerate	反复重新生成内容，直到通过检查（速度较慢）	1–9
rail_dpdp_scan	根据《2023 年 DPDP 法案》扫描印度个人数据	0.5
rail_dpdp_gate	实时 DPDP 处理关卡（允许／阻止／要求采取操作）	0.3
rail_dpdp_compliance	DPDP 工作流：发出、要求、取证、会话、计时器	不定

三个只读资源（免费，不消耗额度）：rail://framework/dimensions、 rail://account/capabilities 和 rail://framework/policy-schema（policy 参数的 JSON Schema）。

策略执行

rail_evaluate 接受可选的 policy，其中包含按维度设置的阈值规则，并返回 policy_outcome。当某个维度的分数低于其阈值时，规则就会触发；action 是已触发规则中严重程度最高的操作（block > flag > warn > allow），与 rail-score-sdk 的 Policy/Rule 结构一致。

{ "rules": [
  { "dimension": "safety",   "threshold": 7.0, "action": "block" },
  { "dimension": "fairness", "threshold": 6.0, "action": "flag" }
] }

优先级：如果 API 密钥所属的应用已在控制面板中启用策略，则以该策略为准（policy_outcome.source: "application"）；否则，网关会应用请求中的 policy（source: "request"）。不额外消耗额度。

受保护的 Agent 循环

典型用法是端到端包裹 Agent 的推理过程：

1. 在处理不可信输入前调用 rail_detect_injection 检测提示词注入
2. 执行任何工具调用前调用 rail_evaluate_tool_call（block = 硬性阻止）
3. 对工具输出调用 rail_scan_tool_result（优先使用已脱敏文本）
4. 对草稿答案调用 rail_evaluate（deep），或调用 rail_safe_regenerate 修正答案
5. 在印度部署中，对任何要离开边界的内容调用 rail_dpdp_scan（mask）

安全模型

安全产品本身不安全，会损害产品的可信度。发布阻断项（强制执行并通过回归测试）：

• 判定结果是结构化数据，绝不是 Agent 可以忽略的建议性文字。
• 不回显分析内容。 工具只返回判定结果、分数、片段和脱敏摘录，绝不返回原始分析文本（二阶注入）。
• 不返回原始个人身份信息（PII）。 检测只返回脱敏值和偏移量。
• 从设计上实现租户隔离。 身份来自认证中间件验证过的密钥，绝不来自工具参数。
• 第 2 阶段不透传令牌：客户端令牌会经过验证后丢弃；下游调用使用网关的服务凭证。第 1 阶段中，Bearer rail_ 密钥就是客户的 RAIL 凭证，因此会转发到上游，以保留每个租户的额度和隔离。
• 输入上限、超时、速率限制和审计日志（不记录内容正文）。

参见 tests/test_no_reflection.py 和 tests/test_pii_masking.py —— 这些测试是 CI 的强制门禁。

架构

• 传输： 仅支持 Streamable HTTP，使用单一 /mcp 端点（SSE 已弃用）。
• 状态： stateless_http=True、json_response=True —— 可在普通负载均衡器后水平扩展；符合 MCP 2026-07-28 无状态核心规范。
• 认证（第 1 阶段）： 通过 Authorization: Bearer rail_... 或 X-API-Key: rail_... 提供 rail_ 密钥（后者对网关更友好，无需 Bearer 前缀）；由 auth.RailKeyMiddleware 对 POST /verify 验证一次（缓存 5 分钟），然后绑定到请求上下文。
• 发现： GET /.well-known/mcp/server-card.json（公开）允许在认证墙后进行扫描的注册表（例如 Smithery）无需密钥即可枚举工具。
• 认证（第 2 阶段）： 通过 SDK 的 TokenVerifier 实现 OAuth 2.1 资源服务器（RFC 9728 元数据、RFC 8707 受众绑定）。

rail_client.py   thin httpx client to api.responsibleailabs.ai (forwards key, propagates X-Request-ID)
auth.py          RailKeyMiddleware: validate rail_ keys, bind tenant
request_context.py  per-request ContextVars (key, tenant, request id)
server.py        FastMCP app: 9 tools + 3 resources + landing (/) + /health + server-card
server.json      official MCP registry manifest (ai.responsibleailabs/rail-score)

本地开发

python -m venv .venv && source .venv/bin/activate
pip install -r requirements-dev.txt
ruff check . && pytest          # unit + safety regression tests
RAIL_API_BASE=https://api.responsibleailabs.ai python server.py   # serves on :8080

针对运行中的服务进行协议冒烟测试（需要真实密钥）：

npx @modelcontextprotocol/inspector --cli \
  http://localhost:8080/mcp --method tools/list \
  --header "Authorization: Bearer ${RAIL_API_KEY}"

配置

环境变量	默认值	用途
RAIL_API_BASE	https://api.responsibleailabs.ai	上游 REST API
MCP_PORT	8080	绑定端口
RAIL_UPSTREAM_TIMEOUT	60	上游调用超时（秒）
RAIL_KEY_CACHE_TTL	300	已验证密钥的缓存 TTL（秒）

托管

Responsible AI Labs 在 https://mcp.responsibleailabs.ai/mcp 托管服务——对几乎所有用户而言，只需连接到该 URL 即可；无需运行任何内容。

如需自托管，请构建镜像，并在任何提供 HTTP 服务的环境中运行；使用 RAIL_API_BASE（默认值）将其指向公共 REST API。无需提供任何密钥：每次请求都会携带客户的 RAIL 密钥。

docker build -t rail-score-mcp .
docker run -p 8080:8080 -e RAIL_API_BASE=https://api.responsibleailabs.ai rail-score-mcp

注册表

通过 server.json 和 mcp-publisher CLI 发布到官方 MCP 注册表，名称为 ai.responsibleailabs/rail-score（通过 DNS 验证 responsibleailabs.ai 命名空间）；带标签的 GitHub 版本发布会自动运行 publish-registry 作业。

第三方目录（Smithery、Glama、PulseMCP、mcp.so）会分别为代码仓库和官方注册表建立索引。每个目录都需单独认领并刷新，而不会自动同步，因此列表可能会晚于版本发布更新。