Pydantic AI

Pydantic AI es un potente framework de agentes de Python desarrollado por el equipo detrás de la reconocida biblioteca de validación Pydantic. Su misión principal es agilizar el desarrollo de aplicaciones listas para producción impulsadas por IA Generativa, proporcionando una experiencia de desarrollador tan intuitiva y eficiente como FastAPI. Al integrarse perfectamente con el ecosistema de Python, permite a los desarrolladores construir agentes de IA complejos utilizando flujos de control familiares, seguridad de tipos y mejores prácticas, superando los simples scripts para crear sistemas robustos y mantenibles.

El framework es fundamentalmente agnóstico al modelo, ofreciendo soporte de fábrica para una amplia gama de Modelos de Lenguaje Grandes (LLMs), incluyendo los de OpenAI, Anthropic, Google (Gemini), Deepseek, Ollama, Groq, Cohere y Mistral. Esta flexibilidad asegura que los desarrolladores no estén atados a un solo proveedor y puedan elegir el mejor modelo para sus necesidades específicas. En su núcleo, Pydantic AI aprovecha el poder de la Validación de Pydantic para forzar salidas estructuradas, fiables y consistentes de los LLMs, lo cual es un requisito crítico para las aplicaciones de producción.

Cómo usar Pydantic AI

Empezar con Pydantic AI es sencillo para cualquier desarrollador de Python. El proceso implica definir un agente, sus herramientas y su estructura de salida esperada.

1. Instalación: Primero, instala la biblioteca usando pip: pip install pydantic-ai

2. Crear un Agente Simple: Para una interacción básica, puedes instanciar un `Agent` y ejecutarlo con un prompt. El framework se encarga de la comunicación con el LLM especificado.

from Pydantic AI import Agent

agent = Agent(
    'google-gla:gemini-1.5-flash',
    system_prompt='Sé conciso, responde con una sola frase.',
)

result = agent.run_sync('¿De dónde viene "hello world"?')
print(result.output)

3. Construir un Agente Avanzado con Herramientas: Para tareas más complejas, puedes definir salidas estructuradas usando el `BaseModel` de Pydantic, crear herramientas que el agente pueda usar e inyectar dependencias. Por ejemplo, un agente de soporte bancario puede estar equipado con una herramienta para verificar el saldo de un cliente.

from pydantic import BaseModel, Field
from Pydantic AI import Agent, RunContext

# Definir la salida estructurada
class SupportOutput(BaseModel):
    support_advice: str = Field(description='Consejo devuelto al cliente')
    block_card: bool = Field(description="Si se debe bloquear la tarjeta del cliente")

# Crear el agente
support_agent = Agent(
    'openai:gpt-4o',
    output_type=SupportOutput,
    system_prompt='Eres un agente de soporte en nuestro banco...'
)

# Definir una herramienta que el agente puede usar
@support_agent.tool
async def customer_balance(ctx: RunContext, include_pending: bool) -> float:
    """Devuelve el saldo actual de la cuenta del cliente."""
    # ... lógica para obtener el saldo de una base de datos ...
    return 123.45

# Ejecutar el agente
result = await support_agent.run('¿Cuál es mi saldo?')
print(result.output)

4. Monitoreo y Depuración: Pydantic AI se integra perfectamente con Pydantic Logfire, permitiéndote monitorear, depurar y rastrear el rendimiento y comportamiento de tus aplicaciones LLM en tiempo real con una configuración mínima.

Características principales de Pydantic AI

• Agnóstico al Modelo: Soporta una amplia gama de LLMs incluyendo OpenAI, Anthropic, Gemini, Ollama, Groq y más, con una interfaz simple para añadir modelos personalizados.
• Respuestas Estructuradas: Utiliza la Validación de Pydantic para asegurar que las salidas del LLM estén consistentemente estructuradas y validadas contra un esquema definido.
• Diseño con Seguridad de Tipos: Aprovecha las sugerencias de tipo de Python para proporcionar una experiencia de verificación de tipos potente e informativa, reduciendo errores.
• Diseño Centrado en Python: Permite construir agentes de IA usando el flujo de control y la composición estándar de Python, haciendo el código más legible y mantenible.
• Inyección de Dependencias: Un sistema opcional para proporcionar datos y servicios (como conexiones a bases de datos) a los agentes, simplificando las pruebas y el desarrollo.
• Respuestas en Streaming: Soporta el streaming continuo de respuestas del LLM con validación inmediata, permitiendo aplicaciones en tiempo real.
• Integración con Pydantic Logfire: Ofrece observabilidad sin fisuras para la depuración en tiempo real, el monitoreo del rendimiento y el seguimiento del comportamiento.
• Soporte de Grafos: Incluye Pydantic Graph para definir flujos de aplicación y máquinas de estado complejos, evitando el código espagueti en agentes sofisticados.

Casos de uso para Pydantic AI

Pydantic AI es ideal para construir una variedad de aplicaciones de IA de grado de producción:

• Automatización del Soporte al Cliente: Crear chatbots inteligentes que puedan entender las consultas de los usuarios, usar herramientas para acceder a datos de clientes (p. ej., estado del pedido, saldo de la cuenta) y realizar acciones como bloquear una tarjeta de crédito o crear un ticket de soporte.
• Herramientas de Datos Internas: Construir agentes que permitan a usuarios no técnicos consultar bases de datos o APIs internas usando lenguaje natural, generando informes u obteniendo información específica.
• Agentes de Flujo de Trabajo Automatizado: Desarrollar sistemas que puedan procesar datos no estructurados (como correos electrónicos o documentos), extraer información relevante y desencadenar acciones en otros sistemas (p. ej., crear una tarea en una herramienta de gestión de proyectos).
• Razonamiento Complejo de Múltiples Pasos: Implementar agentes que puedan descomponer un problema complejo en pasos más pequeños, usar diferentes herramientas para cada paso y combinar los resultados para proporcionar una respuesta completa.

Ventajas de Pydantic AI

La principal ventaja de Pydantic AI es su enfoque en la preparación para la producción y la experiencia del desarrollador. Al estar construido sobre la sólida base de Pydantic, aporta fiabilidad, previsibilidad y mantenibilidad al desarrollo de IA. Su enfoque centrado en Python significa que los desarrolladores no tienen que aprender un nuevo DSL o paradigma, lo que conduce a ciclos de desarrollo más rápidos. El diseño agnóstico al modelo proporciona una flexibilidad crucial, mientras que la estrecha integración con Pydantic Logfire convierte la observabilidad en un ciudadano de primera clase, lo cual es esencial para gestionar sistemas de IA complejos en producción.

Precios y planes

Pydantic AI es una biblioteca de Python gratuita y de código abierto. No hay costos directos, suscripciones o tarifas de licencia asociadas con el uso del framework en sí. Los usuarios solo son responsables de los costos incurridos por el uso de la API de los Modelos de Lenguaje Grandes subyacentes (por ejemplo, API de OpenAI, Google AI Platform) que elijan integrar con sus aplicaciones.