感谢julienTromeur拍摄，照片来自Unsplash

生成式AI领域是人类历史上增长最快的技术领域之一。正如你可能听说的，2025年将是AI代理或多个AI代理的时代，从单一的大型语言模型转向。当前的发展趋势也证实了这一点：像AWS、OpenAI、微软等大型科技巨头相继推出了AI代理框架。

PydanticAI 演示应用

到目前为止，所有发布的版本中，PydanticAI 代理框架工具被认为是最有用和最重要的一个发布，由于它支持 Pydantic 和 LLMs 的结合。

在我们理解为什么PydanticAI是一个重要的框架之前，我们首先需要理解。

Pydantic 是一个用于轻松验证和解析数据过程的 Python 库。它帮助确保您的数据准确且符合预期的结构。在处理诸如 JSON 文件、用户数据或 API 响应之类的外部输入时特别有用。

不必为每个字段手动编写这些检查（例如，“是不是整数？字符串是否过长？”），Pydantic 利用 模型 自动执行这些检查。

比如说你在做一个App，让用户都填写他们的姓名、年龄和电子邮件。你希望确保用户提交的信息准确无误：

名字是字符串形式的。

年龄是数字形式的。

邮箱地址格式正确。

Pydantic 如何让这变得更容易如下：

    从 pydantic 导入 BaseModel, EmailStr  # 导入所需的模块

    # 定义一个用户模型
    class User(BaseModel):  
        name: str  
        age: int  
        email: EmailStr  

    # 示例输入数据  
    user_data = {  
        "name": "Alice",  
        "age": 25,  
        "email": "alice@example.com"  
    }  

    # 验证输入数据  
    user = User(**user_data)  

    print(user.name)  # Alice  
    print(user.age)   # 25  
    print(user.email) # alice@example.com

如果用户输入了无效的数据（例如：“age": "twenty-five"），Pydantic 会自动报错：

    user_data = {  
        "name": "Alice",  
        "age": "twenty-five",  # 错误  
        "email": "alice@example.com"  
    }  

    user = User(**user_data)  
    # 错误：年龄不是一个有效的整数

在部署过程中，Pydantic非常重要，通常必须遵循其规则。

大规模数据验证： Pydantic 自动验证大规模输入数据，确保数据结构符合预期，从而减少错误。

错误处理和调试： 它提供清晰的错误信息，使生产调试更快更简单。

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 融合良好： 它与 FastAPI 无缝合作，定义输入输出模型以处理生产环境中的 HTTP 数据。

确保微服务的健壮性： Pydantic 确保微服务之间一致且有效的数据交换，避免集成错误。

防止安全问题： 它在输入点验证数据，防止恶意输入并增强应用安全性。

现在，我们已经理解了 Pydantic 的重要性，让我们回到 PydanticAI。

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。

支持多种模型：兼容 OpenAI、Gemini 和 Groq 模型，并提供简单接口以集成其他模型。

基于 Pydantic 专家级开发：由 Pydantic 的创建者开发，是 LangChain、OpenAI SDK 等流行框架的核心。

简化依赖管理：引入类型安全的依赖注入系统，简化测试和迭代开发。

符合 Python 编程风格：采用标准的 Python 编程实践进行代理组合和控制流设计，便于开发者使用。

使用 Logfire 监控：集成 Logfire 以追踪性能和调试 AI 驱动的应用程序。

类型安全操作：确保健壮、类型检查的工作流程，减少运行时错误。

处于活跃的测试版：目前处于测试版，提供持续改进和反馈驱动更新的空间。

让我们快速创建一个简易的 PydanticAI 程序，并看看它是怎么工作的

运行 pip install 命令

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

这将安装带有openai、vertexai和logfire扩展的pydantic-ai-slim包。

2. 设置您的LLM提供商的API密钥。Pydantic可以立即与OpenAI、Groq和VertexAI等提供商一起使用。

2. 创建一个使用PydanticAI的代理。此代码实现了一个银行客服代理，利用结构化的依赖关系、定义的结果模式，并具备与数据库中客户信息交互的工具。

from dataclasses import dataclass  

from pydantic import BaseModel, Field  
from pydantic_ai import Agent, RunContext  

from bank_database import DatabaseConn  

@dataclass  
class SupportDependencies:    
    customer_id: int  
    db: DatabaseConn    

class SupportResult(BaseModel):    
    support_advice: str = Field(description='给客户的建议是')  
    block_card: bool = Field(description="是否要冻结客户卡")  
    risk: int = Field(description='查询的风险等级（0到10）', ge=0, le=10)  

support_agent = Agent(    
    'openai:gpt-4o',    
    deps_type=SupportDependencies,  
    result_type=SupportResult,    
    system_prompt=(    
        '你是一名银行客服代表，给出客户的建议并判断他们的查询风险等级。'  
    ),  
)  

@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"客户的姓名是 '{customer_name}'"  

@support_agent.tool    
async def customer_balance(  
    ctx: RunContext[SupportDependencies], include_pending: bool  
) -> float:  
    """返回客户的当前账户余额。"""    
    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('我的账户余额是多少？', deps=deps)    
    print(result.data)    
    """  
    support_advice='你好，John。你的当前账户余额（含未完成交易）是 $123.45。' block_card=False risk=1  
    """  

    result = await support_agent.run('我刚刚把我的卡弄丢了！', deps=deps)  
    print(result.data)  
    """  
    support_advice="听到这个消息我很难过，John。我们将暂时冻结你的卡以防止未经授权的交易。" block_card=True risk=8  
    """

了解编程代码的意思

• 目的：定义代理需要的依赖项，例如客户ID和数据库连接（db）。
• 用途：传递给代理，以便在查询时访问特定客户的资料信息。

• 目的是：规定代理的输出的结构化格式。

support_advice: 为客户提供支持的建议。

block_card: 是否需要冻结客户的卡片。

risk: 描述情况的风险等级（0到10）。

• 验证：保证数据正确性（例如，risk 必须介于 0 和 10 之间）。

• 使用 openai:gpt-4o 模型来生成响应。
• 指定依赖类型（deps_type）和预期输出（result_type）。
• 包含一个系统提示，用于为代理设定上下文，指示其提供支持并评估查询的风险。

目的：动态地通过查询数据库，在系统提示中加入客户的姓名，以增强系统提示。

它是怎么工作的

使用客户ID（ctx.deps.customer_id）访问数据库（ctx.deps.db）。

返回一个包含客户姓名的字符串，以便更好地个性化交互。

目的说明：增加一个功能来查询客户的账户余额，可以选择包含未完成的交易。

它是怎么工作的

根据客户ID和 include_pending 标记查询数据库。

返回余额（浮点数形式）。

目的：展示如何通过传递查询和依赖与代理互动。

步骤如下：

创建一个 SupportDependencies 对象，使用客户 ID 和数据库连接。

调用代理的 run 方法，传入查询 ('What is my balance?')。

代理根据查询、依赖项和工具生成回复。

正如你所观察到的，输出遵循SupportResult (Risk是整数, Block_card是布尔值)类的定义，因此解决了从LLMs获取结构化输出的一大难题。

总之，PydanticAI 提供了一个强大的框架，用于构建具有生成式人工智能的健壮且生产级的应用程序。通过利用 Pydantic 的数据验证能力并无缝集成大型语言模型，它确保了结构化、类型安全且安全的交互。其易用性以及对多种 AI 模型的支持，使其成为开发人员构建 AI 代理的不可或缺的工具。随着 PydanticAI 的持续发展，它承诺简化 AI 驱动应用的开发，并提高其可靠性和扩展性。