Pydantic AI

Pydantic AI 是由著名的 Pydantic 验证库背后的团队开发的一款功能强大的 Python 智能体框架。其核心使命是简化由生成式 AI 驱动的生产级应用的开发流程，提供像 FastAPI 一样直观高效的开发者体验。通过与 Python 生态系统的无缝集成，它允许开发者使用熟悉的控制流、类型安全和最佳实践来构建复杂的 AI 智能体，从简单的脚本升级为创建稳健、可维护的系统。

该框架在根本上是模型无关的，为包括 OpenAI、Anthropic、Google (Gemini)、Deepseek、Ollama、Groq、Cohere 和 Mistral 在内的众多大型语言模型（LLM）提供了开箱即用的支持。这种灵活性确保了开发者不会被锁定在单一供应商上，可以为他们的特定需求选择最佳模型。Pydantic AI 的核心是利用 Pydantic 验证的强大功能，强制 LLM 提供结构化、可靠且一致的输出，这是生产应用的关键要求。

如何使用 Pydantic AI

对于任何 Python 开发者来说，上手 Pydantic AI 都非常简单。该过程涉及定义一个智能体、其工具以及预期的输出结构。

1. 安装： 首先，使用 pip 安装该库： pip install pydantic-ai

2. 创建简单智能体： 对于基本交互，您可以实例化一个 `Agent` 并通过提示运行它。框架会处理与指定 LLM 的通信。

from Pydantic AI import Agent

agent = Agent(
    'google-gla:gemini-1.5-flash',
    system_prompt='简洁回答，只用一句话。',
)

result = agent.run_sync('“hello world”出自哪里？')
print(result.output)

3. 构建带工具的高级智能体： 对于更复杂的任务，您可以使用 Pydantic 的 `BaseModel` 定义结构化输出，创建智能体可以使用的工具，并注入依赖。例如，一个银行支持智能体可以配备一个检查客户余额的工具。

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

# 定义结构化输出
class SupportOutput(BaseModel):
    support_advice: str = Field(description='返回给客户的建议')
    block_card: bool = Field(description="是否冻结客户的卡")

# 创建智能体
support_agent = Agent(
    'openai:gpt-4o',
    output_type=SupportOutput,
    system_prompt='你是我们银行的一名支持代理...'
)

# 定义一个智能体可以使用的工具
@support_agent.tool
async def customer_balance(ctx: RunContext, include_pending: bool) -> float:
    """返回客户的当前账户余额。"""
    # ... 从数据库获取余额的逻辑 ...
    return 123.45

# 运行智能体
result = await support_agent.run('我的余额是多少？')
print(result.output)

4. 监控与调试： Pydantic AI 与 Pydantic Logfire 无缝集成，让您能够以最少的设置实时监控、调试和跟踪 LLM 应用的性能和行为。

Pydantic AI 的核心功能

• 模型无关： 支持包括 OpenAI、Anthropic、Gemini、Ollama、Groq 在内的多种 LLM，并提供简单的接口来添加自定义模型。
• 结构化响应： 利用 Pydantic 验证来确保 LLM 的输出始终是结构化的，并根据定义的模式进行验证。
• 类型安全设计： 利用 Python 的类型提示，提供强大且信息丰富的类型检查体验，减少错误。
• 以 Python 为中心的设计： 使用标准的 Python 控制流和组合方式构建 AI 智能体，使代码更具可读性和可维护性。
• 依赖注入： 一个可选的系统，用于向智能体提供数据和服务（如数据库连接），简化了测试和开发。
• 流式响应： 支持 LLM 响应的连续流式传输和即时验证，适用于实时应用。
• Pydantic Logfire 集成： 提供无缝的可观察性，用于实时调试、性能监控和行为跟踪。
• 图支持： 包含 Pydantic Graph 来定义复杂的应用流程和状态机，防止在复杂的智能体中出现“面条代码”。

Pydantic AI 的使用案例

Pydantic AI 是构建各种生产级 AI 应用的理想选择：

• 客户支持自动化： 创建能够理解用户查询、使用工具访问客户数据（如订单状态、账户余额）并执行操作（如冻结信用卡或创建支持工单）的智能聊天机器人。
• 内部数据工具： 构建智能体，允许非技术用户使用自然语言查询数据库或内部 API，生成报告或获取特定信息。
• 自动化工作流智能体： 开发能够处理非结构化数据（如电子邮件或文档）、提取相关信息并在其他系统中触发操作（如在项目管理工具中创建任务）的系统。
• 复杂的多步推理： 实现能够将复杂问题分解为更小步骤、为每个步骤使用不同工具，并结合结果以提供全面答案的智能体。

Pydantic AI 的优势特点

Pydantic AI 的主要优势在于其对生产就绪性和开发者体验的关注。基于 Pydantic 的坚实基础，它为 AI 开发带来了可靠性、可预测性和可维护性。其以 Python 为中心的方法意味着开发者无需学习新的领域特定语言或范式，从而加快了开发周期。模型无关的设计提供了关键的灵活性，而与 Pydantic Logfire 的紧密集成使可观察性成为一等公民，这对于在生产中管理复杂的 AI 系统至关重要。

定价和计划

Pydantic AI 是一个免费的开源 Python 库。使用该框架本身不涉及任何直接成本、订阅或许可费用。用户只需承担因使用其选择集成的底层大型语言模型（例如 OpenAI API、Google AI Platform）的 API 而产生的费用。