Lakera

1. 调研缘由

Lakera 是 AI 安全赛道里聚焦 prompt injection 和 GenAI runtime protection 的公司；2025 年 9 月，Check Point 宣布收购 Lakera，并把它作为 AI security stack 的重要组成部分。[S1][S3]

它值得看，是因为 AI agent 越能执行任务，prompt injection、jailbreak 和数据泄露的后果越严重。Lakera / Check Point AI Guardrails 的产品正好切在“运行时防护”这一层。[S1][S2]

这篇主要回答：Lakera 解决什么问题；它和 Giskard 这种 red teaming 工具的边界；以及 AI 安全为什么可能成为独立基础设施。

2. 简介与产品工作流

Lakera 官网把产品定位为 AI-native security platform，用来阻止 prompt injection、data leakage 和 jailbreaks 影响业务。[S1]

Docs 中的 Check Point AI Guardrails 说明，系统会筛查 LLM interactions，并在发现 prompt attacks、data leakage 等威胁时标记或触发缓解动作。[S2]

一个常见工作流可以拆成四步：

1. 接入 Guard API：Docs 说明，团队可以为应用设置 project 和 policy，再让 AI gateway 或 GenAI application 调用 Guard API。[S2]
2. 传入输入与输出：应用把用户输入、外部内容和 LLM output 交给 AI Guardrails 筛查。[S2]
3. 识别风险：AI Guardrails 会筛查 prompt attacks、data leakage、content violations、malicious links 和 off-policy agent behavior 等风险。[S2]
4. 执行处置：应用可以在检测到威胁时 block、logging 或做后续调查。[S2]

这套流程说明，Lakera 更像实时安全层，而不是离线评测平台。

3. 团队与资本背景

2025 年 9 月，Check Point 宣布收购 Lakera，称 Lakera 将补足其端到端 AI security stack，并在交易完成后成为 Check Point Global Center of Excellence for AI Security 的基础。[S3]

这意味着 Lakera 已经不再适合只按独立创业公司看待。更准确的观察口径，是看它如何被整合进 Check Point 的企业安全产品线，以及这种整合是否能扩大 AI runtime protection 的企业采用。

4. 技术基础与生态位

Lakera 的技术基础是对 LLM 输入输出和 agent 工作流做安全检测。Docs 明确提到 prompt attacks、data leakage、tool responses、tool descriptions，以及对 user input、external input 和 LLM output 的筛查。[S2]

Docs 说明，AI Guardrails 会形成围绕生成式 AI 应用的实时防护层，并让应用在检测到威胁时阻断或记录。[S2]

生态位上，Lakera 更接近“AI 应用防火墙”或“guardrails API”。它和 Giskard 的差异在于：Giskard 更偏测试和 red teaming，Lakera / Check Point AI Security 更偏运行时防护和企业安全栈整合。

5. 市场与外部信号

Lakera 的外部信号来自官网、文档和 Check Point 收购公告。官网反复强调传统安全不是为 GenAI 构建的，企业需要针对 AI attacks 的新防护层。[S1][S3]

Docs 的集成方式也说明，Lakera 希望成为应用链路里的标准调用：每次交互或 agent step 都能做风险检查。[S2]

不过，AI 安全产品的效果很难只靠营销页判断。真正选型时，要看误报、漏报、延迟、覆盖语言、企业策略配置和审计日志。

6. 公开评价与主要分歧

正面评价：

Lakera 的优势是切入点明确。prompt injection 和 data leakage 是 LLM 应用真实存在的问题，且越到 agent 化场景越难忽视。[S1][S2]

另一个优势是运行时接入方式清晰。API guardrail 能嵌入现有应用链路，比离线报告更贴近生产防护。[S2]

主要分歧：

第一是安全产品天然会遇到误报和漏报。拦得太松没有意义，拦得太严会伤害用户体验。

第二是攻击会持续变化。Prompt injection 不是固定规则库就能永久解决的问题，检测系统需要持续更新。

第三是和应用设计的关系。运行时 guardrail 不能替代权限隔离、工具调用白名单、最小权限和审计。

7. 同类对比（与头部/高知名度同类项目）

主要对标项目： Giskard、Protect AI、传统 WAF / API security。

维度	Lakera	Giskard	Protect AI	传统 WAF/API security
核心定位	运行时 AI guardrails、prompt injection 防护，以及 Check Point AI Security 体系的一部分。[S1][S2][S3]	LLM/agent 测试与 red teaming。	AI/ML security 平台。	Web/API 攻击防护。
主要入口	Guard API、AI Guardrails、SaaS / self-hosted 部署。[S2]	企业 Hub + 开源库。	平台和安全产品。	网关、规则和策略。
强项	实时检测输入输出风险。[S2]	上线前和持续测试。	AI supply chain / ML security。	传统 Web 攻击成熟。
边界	不能替代系统权限设计。	不负责每次请求实时拦截。	覆盖范围更广但不一定聚焦 prompt injection。	不理解 LLM 指令语义。

Lakera 的位置更像 AI 应用运行时安全层；被 Check Point 收购后，它也承担了传统网络安全厂商补齐 AI 安全栈的角色。

8. 信息缺口与后续观察

Lakera / Check Point AI Security 没有公开足够详细的独立误报率、漏报率、延迟分布、客户留存和真实攻击拦截案例。官网和 docs 能说明能力范围，但不能替代独立测试。

后续重点观察：Check Point 是否把 Lakera 能力顺利整合进其企业安全平台；AI guardrails 是否成为企业 LLM 应用默认组件；以及监管和审计要求是否推动这类产品进入安全采购流程。

9. 归纳洞察 ★

Lakera 的核心价值不是让模型“更聪明”，而是让模型应用在面对恶意输入时更不容易失控。

这类工具会随着 agent 普及变得更重要。只聊天的模型出错，通常是内容风险；能调用工具的模型出错，可能变成权限、数据和业务风险。

但 Lakera 也不是万能保险。真正安全的 AI 系统，需要 guardrails、权限隔离、测试、监控和人工治理一起工作。被 Check Point 收购后，它的关键变量从“能否独立融资增长”变成了“能否在大型安全平台里变成默认 AI 防护组件”。

10. 来源与更新时间

• 信息截至(as_of): 2026-07-30
• 最后复查(last_checked): 2026-07-30
• 最后更新(last_updated): null