Anthropic Cookbook项目：使用Pydantic实现智能笔记工具
项目地址: https://gitcode.com/GitHub_Trending/an/anthropic-cookbook 在人工智能应用开发中，如何确保模型输出的数据格式正确且符合预期是一个常见挑战。本文将介绍如何利用Anthropic Cookbook项目中的工具使用示例，结合Pydantic数据验证库，构建一个可靠的智能笔记保存系统。
技术背景与项目概述
现代AI助手经常需要与外部工具交互完成特定任务。Anthropic Cookbook项目展示了如何让AI模型调用外部工具并处理返回结果。本教程重点介绍如何使用Pydantic来验证模型输出，确保数据格式正确。
Pydantic是一个强大的Python数据验证库，它能够：
- 定义数据模型的结构
- 自动验证输入数据
- 提供类型提示和自动补全
- 确保数据符合预期格式
环境准备与初始化
首先需要安装必要的依赖包：
%pip install anthropic pydantic 'pydantic[email]'
然后初始化Anthropic客户端和模型名称：
from anthropic import Anthropic
from pydantic import BaseModel, EmailStr, Field
from typing import Optional
client = Anthropic()
MODEL_NAME = "claude-3-opus-20240229"
数据模型设计
良好的数据模型是系统可靠性的基础。我们设计三个核心模型：
- 作者模型(Author)：记录笔记的作者信息
- 笔记模型(Note)：包含笔记内容和元数据
- 响应模型(SaveNoteResponse)：工具调用的返回结果
class Author(BaseModel):
name: str
email: EmailStr # 使用EmailStr确保邮箱格式正确
class Note(BaseModel):
note: str
author: Author
tags: Optional[list[str]] = None
priority: int = Field(ge=1, le=5, default=3) # 优先级限制在1-5之间
is_public: bool = False
class SaveNoteResponse(BaseModel):
success: bool
message: str
工具定义与实现
定义AI模型可以调用的"save_note"工具：
tools = [
{
"name": "save_note",
"description": "A tool that saves a note with the author and metadata.",
"input_schema": {
"type": "object",
"properties": {
"note": {"type": "string", "description": "The content of the note to be saved."},
"author": {
"type": "object",
"properties": {
"name": {"type": "string", "description": "The name of the author."},
"email": {"type": "string", "format": "email", "description": "The email address of the author."}
},
"required": ["name", "email"]
},
"priority": {
"type": "integer",
"minimum": 1,
"maximum": 5,
"default": 3,
"description": "The priority level of the note (1-5)."
},
"is_public": {
"type": "boolean",
"default": False,
"description": "Indicates whether the note is publicly accessible."
}
},
"required": ["note", "author"]
}
}
]
实现笔记保存功能（示例中为打印信息，实际可替换为数据库操作）：
def save_note(note: str, author: dict, priority: int = 3, is_public: bool = False) -> None:
print("Note saved successfully!")
工具调用处理流程
处理AI模型发起的工具调用请求：
def process_tool_call(tool_name, tool_input):
if tool_name == "save_note":
# 使用Pydantic模型验证输入数据
note = Note(
note=tool_input["note"],
author=Author(
name=tool_input["author"]["name"],
email=tool_input["author"]["email"]
),
priority=tool_input.get("priority", 3),
is_public=tool_input.get("is_public", False)
)
save_note(note.note, note.author.model_dump(), note.priority, note.is_public)
return SaveNoteResponse(success=True, message="Note saved successfully!")
完整交互流程实现
实现用户与AI助手的完整交互流程：
- 发送用户消息
- 接收AI响应
- 处理工具调用
- 返回工具结果
- 获取最终响应
def chatbot_interaction(user_message):
# 初始化消息
messages = [{"role": "user", "content": user_message}]
# 获取AI初始响应
message = client.messages.create(
model=MODEL_NAME,
max_tokens=4096,
tools=tools,
messages=messages
)
# 处理工具调用
if message.stop_reason == "tool_use":
tool_use = next(block for block in message.content if block.type == "tool_use")
save_note_response = process_tool_call(tool_use.name, tool_use.input)
# 发送工具结果给AI
response = client.messages.create(
model=MODEL_NAME,
max_tokens=4096,
messages=[
{"role": "user", "content": user_message},
{"role": "assistant", "content": message.content},
{
"role": "user",
"content": [{
"type": "tool_result",
"tool_use_id": tool_use.id,
"content": str(save_note_response),
}],
},
],
tools=tools,
)
else:
response = message
# 提取最终响应
final_response = next(
(block.text for block in response.content if hasattr(block, "text")),
None,
)
return final_response
实际应用示例
测试笔记保存功能：
response = chatbot_interaction("""
Can you save a private note with the following details?
Note: Remember to buy milk and eggs.
Author: John Doe (johndoe@gmail.com)
Priority: 4
""")
print(response)
输出示例：
Your private note has been saved successfully with the following details:
Note: Remember to buy milk and eggs.
Author: John Doe (johndoe@gmail.com)
Priority: 4
Visibility: Private
Please let me know if you need anything else!
技术优势与最佳实践
- 数据验证：Pydantic确保所有输入数据符合预期格式
- 类型安全：明确的类型提示减少运行时错误
- 可扩展性：模型设计易于扩展新字段
- 错误处理：自动验证减少手动检查代码
- 文档友好：模型定义本身就是良好的API文档
在实际应用中，可以将笔记保存功能替换为数据库操作，并添加更复杂的业务逻辑，如权限检查、笔记分类等。
通过本教程，我们展示了如何结合Anthropic的工具使用能力和Pydantic的数据验证能力，构建可靠的人工智能应用交互流程。这种模式可以推广到各种需要AI与外部系统交互的场景中。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
