开发者的选择越来越多了，又一个AI智能体框架玩家：PydanticAI

发布日期：2024-12-26 07:17:37 浏览次数： 3569

作者：PyTorch研习社

微信搜一搜，关注“PyTorch研习社”

生成式人工智能领域是人类历史上发展最快的领域之一。正如你可能听到的，2025 年将是人工智能智能体（AI Agents）/多人工智能智能体（multi-AI Agents）的一年，从单纯的 LLM 转变为 AI Agent。目前的发展显示出同样的趋势：AWS、OpenAI、微软等巨头纷纷发布 AI Agent 框架。

详情可参见：AI 代理框架哪家好：Magnetic-One、AutoGen、LangGraph、CrewAI、OpenAI Swarm

在迄今为止的所有版本中，PydanticAI Agent 框架似乎是最有用和最重要的版本，因为它支持使用 Pydantic 的 LLM。在了解为什么 PydanticAI 是一个关键框架之前，我们必须了解什么是 Pydantic。

什么是 Pydantic ？

Pydantic 是一个 Python 库，可以帮助我们轻松地验证和解析数据。它有助于确保你的数据准确无误并遵循预期的结构。它在处理外部输入（如 JSON 文件、用户数据或 API 响应）时特别有用。

Pydantic 无需手动为每个字段编写检查（例如，“这是一个整数吗？这个字符串太长了吗？”），而是使用模型自动执行这些检查。

假设你正在制作一个应用程序，用户可提交他们的姓名、年龄和电子邮件。你想要确保：

姓名是字符串。
年龄是数字。
电子邮件格式有效。

以下是 Pydantic 让这一切变得简单的方法：

如果用户提交了无效数据（例如“age”：“twenty-five”），Pydantic 会自动抛出错误：

Pydantic 在部署中起着至关重要的作用，并且大多数情况下必须遵循，因为

大规模数据验证：Pydantic 会自动验证大规模输入数据以确保其符合预期结构，从而减少错误。
错误处理和调试：它为无效数据提供清晰的错误消息，使生产调试更快、更容易。
自动解析和序列化：Pydantic 自动将原始数据转换为可用格式，简化数据处理。
与 FastAPI 完美集成：它与 FastAPI 无缝协作，定义用于处理生产中 HTTP 数据的输入/输出模型。
确保微服务的稳健性：Pydantic 确保微服务之间一致且有效的数据交换，以避免集成问题。
预防安全问题：它在入口点验证数据以阻止恶意输入并增强应用程序安全性。

现在，既然我们了解了 Pydantic 的重要性，让我们回到 PydanticAI。

PydanticAI 的关键特征

结构化响应处理：利用 Pydantic 验证静态和流式响应，确保可靠的数据处理。

多功能模型支持：兼容 OpenAI、Gemini 和 Groq 模型，具有用于集成其他模型的简单界面。

植根于 Pydantic 专业知识：由 Pydantic 的创建者开发，Pydantic 是 LangChain、OpenAI SDK 等流行框架的支柱。

简化的依赖管理：引入类型安全的依赖注入系统，以简化测试和迭代开发。

Pythonic 设计：采用标准 Python 编程实践进行代理组合和控制流，使开发人员能够直观地使用。

使用 Logfire 进行监控：包括与 Logfire 的集成，用于跟踪和调试 AI 驱动的应用程序的性能。

类型安全操作：确保稳健、类型检查的工作流程，最大限度地减少运行时错误。

处于活动测试阶段：目前处于测试阶段，为持续增强和反馈驱动的更新提供了空间。

快速上手体验一下

首先使用 pip 安装依赖：

然后，设置要使用的 LLM 的 API key。Pydantic 可以直接与 OpenAI、Groq 和 VertexAI 配合使用。

现在可以创建 PydanticAI Agent 了。此代码使用 PydanticAI 实现银行客户服务支持 Agent。它利用结构化的依赖关系、定义的结果模式以及用于与数据库中的客户数据交互的工具。

上述代码块包含了：

dataclass 装饰器（支持依赖项）

目的：定义代理所需的依赖项，如客户 ID 和数据库连接 (db)。
用途：传递给代理以在查询期间访问特定于客户的数据

SupportResult

目的：指定代理输出的结构化格式。

support_advice：为客户提供的文本建议。
block_card：是否应阻止客户的卡。
risk：查询中描述的情况的风险级别 (0-10)。

验证：强制数据完整性（例如，风险必须介于 0 和 10 之间）。

设置 Agent

使用 openai:gpt-4o 模型生成响应。
指定依赖项 (deps_type) 和预期输出 (result_type)。
包括设置代理上下文的系统提示，指示其提供支持并评估查询风险。

系统提示（system prompt）函数

目的：通过查询数据库，使用客户姓名动态丰富系统提示。

使用客户 ID (ctx.deps.customer_id) 访问数据库 (ctx.deps.db)。
返回包含客户名称的字符串以个性化交互。

自定义工具

目的：添加一个工具来获取客户的账户余额，可选择包括待处理交易。

使用客户 ID 和 include_pending 标志查询数据库。
以浮点数形式返回余额。

运行 Agent

目的：演示如何通过传递查询和依赖项与代理交互。

使用客户 ID 和数据库连接创建 SupportDependencies 对象。
使用查询（“我的余额是多少？”）调用 Agent 的运行方法。
Agent 根据查询、依赖项和工具生成响应。

你可能已经注意到，输出采用了 SupportResult（Risk 是 int，Block_card 是 Bool）类中提到的定义格式，因此解决了 LLM 结构化输出的一个大问题。

总而言之

总之，PydanticAI 提供了一个强大的框架，用于使用生成式 AI 构建强大的生产级应用程序。通过利用 Pydantic 的数据验证功能并与 LLM 无缝集成，它可确保结构化、类型安全且安全的交互。它的易用性以及对多种 AI 模型的支持使其成为构建 AI Agent 的开发人员的宝贵工具。随着 PydanticAI 的不断发展，它有望简化 AI 驱动应用程序的开发并增强其可靠性和可扩展性。

更多最新的信息可以去 PydanticAI 官方 GitHub 仓库获取：

https://github.com/pydantic/pydantic-ai