7.6K+ Star！PydanticAI：一个AI应用开发框架

PydanticAI 简介

PydanticAI^[1] 是一个 Python 代理框架，目标是让开发者能够更轻松地使用生成式人工智能（LLMs）构建生产级应用程序。它由 Pydantic 团队开发，继承了 Pydantic 的强大功能和 FastAPI 的设计理念，致力于为生成式人工智能应用开发带来更高效、更易用的体验。

项目特点

主要特点

• 由 Pydantic 团队开发：由开发了 Pydantic 的团队打造，确保了其与 Pydantic 的无缝集成。
• 模型无关性：支持 OpenAI、Anthropic、Gemini 等多种模型，并提供简单接口支持其他模型。
• Pydantic Logfire 集成：与 Pydantic Logfire 无缝集成，支持实时调试、性能监控和行为跟踪。
• 类型安全：通过 Pydantic 的类型检查功能，确保代码的类型安全。
• Python 风格设计：利用 Python 的控制流和代理组合来构建 AI 驱动的项目，易于应用 Python 的最佳实践。
• 结构化响应：使用 Pydantic 验证和结构化模型输出，确保每次运行的响应一致。
• 依赖注入系统：提供可选的依赖注入系统，用于为代理的系统提示、工具和结果验证器提供数据和服务。
• 流式响应：支持连续流式输出 LLM 结果，并即时验证。
• 图支持：通过 Pydantic Graph 提供强大的图定义功能，适用于复杂应用。

使用场景

PydanticAI 适用于需要与生成式人工智能（LLMs）交互的各种场景，例如：

• 客户服务代理：构建银行或客服支持代理，提供实时客户支持和风险评估。
• 复杂应用开发：在需要复杂控制流和结构化响应的应用中，利用 PydanticAI 的图支持功能。
• 实时调试与监控：通过与 Pydantic Logfire 的集成，实时监控和调试 LLM 驱动的应用程序。

项目使用

安装方法

1. 完整安装：

• 使用以下命令安装 PydanticAI 及其所有核心依赖项：

pip install pydantic-ai

• 需要 Python 3.9 或更高版本。

1. 使用 Pydantic Logfire（可选）：

• 如果需要与 Pydantic Logfire 集成，安装带有 logfire 选项的 PydanticAI：

pip install "pydantic-ai[logfire]"

• 安装完成后，按照 Logfire 的文档进行配置。

1. 安装示例代码：

• 如果需要运行示例代码，安装带有 examples 选项的 PydanticAI：

pip install "pydantic-ai[examples]"

• 安装完成后，按照示例代码的文档运行示例。

1. 精简安装（Slim Install）：

• 如果只使用特定的模型，可以安装精简版本 pydantic-ai-slim，并根据需要选择安装特定模型的依赖项。例如，仅使用 OpenAI 模型：

pip install "pydantic-ai-slim[openai]"

• 支持的模型和依赖项选项包括：
• logfire：安装 Logfire 相关依赖。
• openai：安装 OpenAI 相关依赖。
• vertexai：安装 Vertex AI 相关依赖。
• anthropic：安装 Anthropic 相关依赖。
• groq：安装 Groq 相关依赖。
• mistral：安装 Mistral 相关依赖。
• cohere：安装 Cohere 相关依赖。
• duckduckgo：安装 DuckDuckGo 搜索相关依赖。
• tavily：安装 Tavily 相关依赖。
• 也可以同时安装多个模型的依赖，例如：

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

使用方法

1. 导入 PydanticAI：

• 在 Python 脚本中导入所需的模块，例如：

from pydantic_ai.agent import Agent
from pydantic_ai.models.openai import OpenAIModel

1. 创建和配置模型：

• 根据需要创建和配置模型。例如，使用 OpenAI 模型：

model = OpenAIModel(api_key="your_openai_api_key")

1. 运行模型或代理：

• 使用模型或代理执行任务。例如，运行一个简单的任务：

agent = Agent(model=model)
result = agent.run("What is the weather like today?")
print(result)

简单示例

以下是 PydanticAI 的一个简单示例，展示了如何定义一个代理并与 LLM 进行交互：

from pydantic_ai import Agent

# 定义一个简单的代理，指定使用的模型
agent = Agent(
    'google-gla:gemini-1.5-flash',
    system_prompt='Be concise, reply with one sentence.'
)

# 同步运行代理，与 LLM 进行对话
result = agent.run_sync('Where does "hello world" come from?')
print(result.data)

高级用法

以下是一个更复杂的示例，展示了如何使用依赖注入和工具来构建一个银行支持代理：

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

# 定义依赖项
@dataclass
class SupportDependencies:
    customer_id: int
    db: DatabaseConn

# 定义结果模型
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)

# 创建支持代理
support_agent = Agent(
    'openai:gpt-4o',
    deps_type=SupportDependencies,
    result_type=SupportResult,
    system_prompt='You are a support agent in our bank...'
)

# 定义动态系统提示
@support_agent.system_prompt
asyncdef add_customer_name(ctx: RunContext[SupportDependencies]) -> str:
    customer_name = await ctx.deps.db.customer_name(id=ctx.deps.customer_id)
    returnf"The customer's name is {customer_name!r}"

# 定义工具
@support_agent.tool
asyncdef customer_balance(ctx: RunContext[SupportDependencies], include_pending: bool) -> float:
    """Returns the customer's current account balance."""
    balance = await ctx.deps.db.customer_balance(id=ctx.deps.customer_id, include_pending=include_pending)
    return balance

# 运行代理
asyncdef main():
    deps = SupportDependencies(customer_id=123, db=DatabaseConn())
    result = await support_agent.run('What is my balance?', deps=deps)
    print(result.data)

参考文档

• 官方文档^[2]
• Pydantic Logfire 文档^[3]

注：本文内容仅供参考，具体项目特性请参照官方 GitHub 页面的最新说明。

欢迎关注&点赞&在看，感谢你的阅读~