Python专业级智能体框架Pydantic AI，高效创建生产级智能体

Pydantic AI 降临 Python 生态，开启智能开发新时代。

微信搜索关注《AI科技论谈》

在 Python 的生态系统中，Pydantic 是一款相当实用的工具。它每月的下载量超过 2.85 亿次，一直是 Python 项目进行可靠数据验证的重要基础。

如今，Pydantic 的开发者开始涉足前沿的人工智能领域，推出了 Pydantic AI。这是一个框架，主要用来搭建生产级别的应用程序，这些程序由生成式人工智能提供支持。

本文带你全方位认识 Pydantic AI，了解其特点和功能，同时与其他框架做对比，快速明晰其优势。

一、为何选择Pydantic AI？

Pydantic AI 的底层依托于可信赖的 Pydantic，Pydantic 为FastAPI、LangChain和AutoGPT等诸多热门Python库提供支持。

Pydantic AI 能简化智能体应用开发，优势有：

• 易用：利用Python原生类型系统创建类型安全、可扩展的智能体。

• 适配生产：专注构建强大应用，支持动态提示、结构化响应，可集成Logfire等可观测性工具。

• 灵活兼容：采用模型无关设计，支持OpenAI、Anthropic和Gemini等模型，未来还将支持更多。

其目标是解决智能体框架领域缺乏生产级工具的问题。

二、Pydantic AI核心特性

Pydantic AI能在众多框架中崭露头角，关键在于以下特性：

1. 动态系统提示：可依据运行时数据编程调整系统提示，让响应贴合上下文，在客户支持等场景优势显著。

2. 结构化响应验证：基于Pydantic验证能力，确保响应包含必填字段，减少生产环境错误。

3. 与大语言模型无缝集成：和OpenAI、Gemini等集成，未来还支持Claude，切换模型不影响核心逻辑，适应性强且成本效益高。

4. 类型安全的依赖注入：新颖的依赖注入系统简化测试开发，保障代码可重用、易维护。

5. 流式响应：支持逐令牌流式响应，适合聊天机器人等交互式应用。

6. Logfire集成：与Pydantic Logfire集成，方便监控调试大语言模型驱动的应用，对实际部署意义重大。

三、代码示例

Hello World示例

这是一个PydanticAI的简单示例：

from pydantic_ai import Agent

agent = Agent(  
    'gemini-1.5-flash',
    system_prompt='Be concise, reply with one sentence.'  
)

result = agent.run_sync('Where does "hello world" come from?') 
print(result.data)

输出结果：The first known use of "hello, world" was in a 1974 textbook about the C programming language.

解释

1. 智能体初始化：

   • 使用模型ID（gemini-1.5-flash）初始化Agent，该ID指定了所使用的人工智能模型。

   • system_prompt定义了智能体的行为。在这个例子中，提示确保智能体给出简洁的单句回复。

2. run_sync方法：

   • run_sync方法用于同步执行智能体，并传入查询内容。

   • 这里，智能体被询问“hello world”的起源。

3. result.data：

   • result包含人工智能的输出。通过访问result.data可以获取生成的响应。

4. 示例输出：

   • “The first known use of 'hello, world' was in a 1974 textbook about the C programming language.”

   • 这展示了智能体如何提供事实性且简洁的答案。

工具与依赖注入示例：银行客户支持智能体示例

以下是使用PydanticAI为银行构建支持智能体的简单示例：

# 安装与依赖
python -m pydantic_ai_examples.bank_support
from dataclasses import dataclass
from pydantic import BaseModel, Field
from pydantic_ai import Agent, RunContext

class DatabaseConn:
    """这是用于示例的假数据库。
    在实际应用中，你需要连接到外部数据库（例如PostgreSQL）以获取客户信息。
    """
    @classmethod
    async def customer_name(cls, *, id: int) -> str | None:
        if id == 123:
            return 'John'

    @classmethod
    async def customer_balance(cls, *, id: int, include_pending: bool) -> float:
        if id == 123:
            return 123.45
        else:
            raise ValueError('Customer not found')

@dataclass
class SupportDependencies:
    customer_id: int
    db: DatabaseConn

class SupportResult(BaseModel):
    support_advice: str = Field(description='Advice returned to the customer')
    block_card: bool = Field(description='Whether to block their')
    risk: int = Field(description='Risk level of query', ge=0, le=10)

support_agent = Agent(
    'openai:gpt-4o',
    deps_type=SupportDependencies,
    result_type=SupportResult,
    system_prompt=(
        'You are a support agent in our bank, give the '
        'customer support and judge the risk level of their query. '
        "Reply using the customer's name."
    ),
)

@support_agent.system_prompt
async def add_customer_name(ctx: RunContext[SupportDependencies]) -> str:
    customer_name = await ctx.deps.db.customer_name(id=ctx.deps.customer_id)
    return f"The customer's name is {customer_name!r}"

@support_agent.tool
async def customer_balance(
    ctx: RunContext[SupportDependencies], include_pending: bool
) -> str:
    """Returns the customer's current account balance."""
    balance = await ctx.deps.db.customer_balance(
        id=ctx.deps.customer_id,
        include_pending=include_pending,
    )
    return f'${balance:.2f}'

deps = SupportDependencies(customer_id=123, db=DatabaseConn())
result = support_agent.run_sync('What is my balance?', deps=deps)
print(result.data)

输出结果：support_advice='Hello John, your current account balance, including pending transactions, is $123.45.' block_card=False risk=1

result = support_agent.run_sync('I just lost my card!', deps=deps)
print(result.data)

输出结果：support_advice="I'm sorry to hear that, John. We are temporarily blocking your card to prevent unauthorized transactions." block_card=True risk=8

关键概念

1. 函数：

   • customer_name：通过ID返回客户姓名（例如，ID 123对应“John”）。

   • customer_balance：检索客户的账户余额。

2. SupportDependencies：

   • 一个数据类，包含客户ID和数据库连接对象。

   • 帮助聊天机器人确定要协助的客户。

3. SupportResult：

   • 一个Pydantic模型，指定聊天机器人的响应格式：

   • support_advice：给客户的建议。

   • block_card：是否应封锁客户的卡。

   • risk：查询的风险等级（0 - 10）。

4. Agent：

   • 定义支持智能体，包括：

   • 语言模型（openai:gpt-4o）。

   • deps_type：查询所需的依赖项（例如，客户信息）。

   • result_type：预期的响应格式。

   • system_prompt：指导聊天机器人行为的指令。

5. 智能体增强功能：

   • add_customer_name：

   • 检索客户姓名，并个性化聊天机器人的系统行为。

   • customer_balance：

   • 一个工具，用于检索客户余额并格式化为字符串。

6. 运行智能体：

   • 使用模拟数据库和客户ID 123初始化SupportDependencies。

   • run_sync模拟同步聊天机器人交互。

Pydantic AI进入了一个竞争激烈的领域，由LangChain（lanGgraph）、Llama Agents、CrewAI和Microsoft AutoGen等框架主导的领域。

四、总结与思考

在 Python 智能体框架的生态版图中，Pydantic AI 是一颗冉冉升起的新星。

Pydantic AI 十分重视验证环节，能够与主流大语言模型实现良好协作，并且开发出的工具非常契合实际生产需求。凭借这些优势，Pydantic AI 极有可能在未来成为开发者们常用的框架。它的验证机制有助于减少开发过程中的错误，与大语言模型的集成拓展了应用的功能边界，而生产级工具则为项目的顺利落地提供了有力保障。

但 Pydantic AI 也面临着挑战，它的成功依赖开发者的采用程度和持续创新能力。毕竟，在技术快速迭代的当下，只有不断进化，满足开发者日益增长的需求，才能在激烈的竞争中脱颖而出。

如果你已经很熟悉 Pydantic 的开发，那么 Pydantic AI 更像是一次自然的技术进阶。两者一脉相承，从 Pydantic 过渡到 Pydantic AI，上手难度低，还能借助新框架解锁更多 AI 开发的新可能。

推荐大家探索 Pydantic AI，将其融入到AI应用开发中，充分发挥其优势，打造更强大、可扩展的应用，在开发领域抢占先机！

推荐书单

《LangChain大模型AI应用开发实践》

本书是一本深度探索LangChain框架及其在构建高效AI应用中所扮演角色的权威教程。本书以实战为导向，系统介绍了从LangChain基础到高级应用的全过程，旨在帮助开发者迅速掌握这一强大的工具，解锁人工智能开发的新维度。

本书内容围绕LangChain快速入门、Chain结构构建、大模型接入与优化、提示词工程、高级输出解析技术、数据检索增强（RAG）、知识库处理、智能体（agent）开发及其能力拓展等多个层面展开。通过详实的案例分析与步骤解说，读者可以学会整合如ChatGLM等顶尖大模型，运用ChromaDB进行高效的向量检索，以及设计与实现具有记忆功能和上下文感知能力的AI智能体。此外，书中还介绍了如何利用LangChain提升应用响应速度、修复模型输出错误、自定义输出解析器等实用技巧，为开发者提供了丰富的策略与工具。

本书主要面向AI开发者、数据科学家、机器学习工程师，以及对自然语言处理和人工智能应用感兴趣的中级和高级技术人员。

【5折促销中】购买链接：https://item.jd.com/14848506.html

 

精彩回顾

数据分析神器PandasAI，帮你高效处理10项常见任务

6款必知的AI Agent工作流，优缺点解析

QwQ-32B本地部署教程来了，全新开源推理大模型，性能比肩DeepSeek满血版

解读Deep Research：传统RAG已死，带你实现Agentic RAG

大模型应用开发平台Dify推出1.0版本，基于向量数据库Milvus实现RAG

从推理到编程，详细比较DeepSeek 32B、70B、R1实践性能