我要投稿

LLMs开发者必看！Pydantic AI代理框架震撼登场！

发布日期：2024-12-17 08:09:05 浏览次数： 2315 作者：AI技术研习社

生成式AI领域是人类历史上增长最快的领域之一。 随着技术的快速迭代，2025 年被广泛认为将是AI 代理与多 AI 代理 彻底崛起的标志性年份。这标志着我们将从单一的 LLM（大型语言模型）应用模式，转向更加动态和复杂的 AI 代理生态系统。

这一趋势已经初见端倪，大型科技公司如AWS、OpenAI、微软 等纷纷抢滩布局，接连发布 AI 代理框架。AI 的未来，不再只是单一模型的强大，而是多个智能代理协同工作的效率与创造力的结合。

截至目前，在众多发布的 AI 代理框架中，PydanticAI 代理框架 脱颖而出，被认为是最实用且最重要的工具之一。这一框架的亮点在于它对 Pydantic LLMs 的支持，为开发者提供了更强大的建模能力和数据验证工具。这不仅让 AI 代理开发变得更加高效和可靠，还推动了 LLM 应用从单一模型向复杂多代理系统的迈进。

Pydantic 是一个强大的 Python 库，用于轻松验证和解析数据。它能够确保数据的准确性并符合预期结构，尤其在处理诸如 JSON 文件、用户输入或 API 响应等外部数据时非常有用。

通过使用模型，Pydantic 能够自动完成字段验证（例如检查“是否为整数”或“字符串是否过长”），避免了手动编写繁琐的检查代码，从而极大提升开发效率。

from pydantic import BaseModel, EmailStr# Define the modelclass User(BaseModel):    name: str    age: int    email: EmailStr# Example inputuser_data = {    "name": "Alice",    "age": 25,    "email": "alice@example.com"}# Validate the inputuser = User(**user_data)print(user.name)  # Aliceprint(user.age)   # 25print(user.email) # alice@example.com

PydanticAI 的关键特性与优势

结构化响应处理
利用 Pydantic 对静态和流式响应进行验证，确保数据处理的高可靠性，避免错误输入对系统造成影响。
多模型兼容性
原生支持 OpenAI、Gemini 和 Groq 等主流模型，开发者可通过简洁的接口快速集成其他模型，灵活适配各种场景需求。
深厚技术根基
PydanticAI 由 Pydantic 的开发者打造。Pydantic 是 LangChain、OpenAI SDK 等热门框架的核心技术，为开发者提供强大且成熟的工具支持。
简化依赖管理
引入类型安全的依赖注入系统，大幅优化测试与迭代开发流程，提升代码可维护性和开发效率。
Pythonic 设计理念
采用符合 Python 编程习惯的设计，提供直观的代理组合和控制流程操作，开发者能够快速上手，降低学习成本。
高效监控与调试
集成 Logfire 工具，为 AI 驱动的应用程序提供性能监控与问题定位功能，助力开发者快速排查问题并优化系统性能。
类型安全的工作流
提供强类型检查功能，确保开发过程中的工作流严谨性，最大限度减少运行时错误，提升系统的稳定性。
活跃测试阶段
当前处于 Beta 测试阶段，不断引入社区反馈进行优化，为用户提供更多功能和更好的使用体验。

接下来，让我们开始安装 PydanticAI。

通过简单的pip install命令，即可快速完成安装过程：

pip install 'pydantic-ai-slim[openai,vertexai,logfire]'

为LLM提供商设置 API 令牌。Pydantic 可以直接与 OpenAI、Groq 和 VertexAI 协同工作。

创建一个 PydanticAI 代理。此代码实现了一个使用 PydanticAI 的银行支持代理。它利用结构化依赖关系、定义的结果架构以及与数据库中客户数据交互的工具。


from dataclasses import dataclassfrom pydantic import BaseModel, Fieldfrom pydantic_ai import Agent, RunContextfrom bank_database import DatabaseConn@dataclassclass 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 the customer's card")    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.'    ),)@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) -> float:    """Returns the customer's current account balance."""      return await ctx.deps.db.customer_balance(        id=ctx.deps.customer_id,        include_pending=include_pending,    )async def main():    deps = SupportDependencies(customer_id=123, db=DatabaseConn())    result = await support_agent.run('What is my balance?', deps=deps)      print(result.data)      """    support_advice='Hello John, your current account balance,     including pending transactions, is $123.45.' block_card=False risk=1    """    result = await support_agent.run('I just lost my card!', deps=deps)    print(result.data)    """    support_advice="I'm sorry to hear that, John. We are temporarily blocking     your card to prevent unauthorized transactions." block_card=True risk=8    """