PydanticAI : Construire des applications d'IA générative avec Pydantic facilite la construction d'applications d'IA de niveau de production

Introduction générale

PydanticAI是一个基于Pydantic的Python代理框架，旨在简化生成式AI应用的开发。它由Pydantic团队开发，支持多种模型（如OpenAI、Gemini、Groq等），并提供类型安全的控制流和代理组合。PydanticAI通过结构化响应验证和流式响应，确保生成式AI应用的高效性和可靠性。其独特的依赖注入系统有助于测试和迭代开发，并集成了Logfire用于调试和监控应用性能。PydanticAI目前处于早期测试阶段，API可能会有变动，欢迎用户反馈。

Liste des fonctions

• Prise en charge de plusieurs modèles：兼容OpenAI、Gemini、Groq等多种生成式AI模型。
• type de sécurité：使用Pydantic进行结构化响应验证，确保数据类型安全。
• 依赖注入系统：提供类型安全的依赖注入，便于测试和迭代开发。
• réponse en continu：支持流式响应和验证，提高应用响应速度和可靠性。
• Logfire集成：用于调试和监控生成式AI应用的性能和行为。
• 简单接口：提供简洁的接口，便于扩展和集成其他模型。

Utiliser l'aide

Processus d'installation

1. 安装PydanticAI：确保Python版本为3.9及以上，使用以下命令安装PydanticAI：

   pip install pydantic-ai

2. Installation des dépendances：PydanticAI依赖于一些核心库和LLM API，安装时会自动处理这些依赖。

Lignes directrices pour l'utilisation

创建简单代理

1. Définition des agents：创建一个简单的代理并指定使用的模型。

   from pydantic_ai import Agent
agent = Agent(
'gemini-1.5-flash',
system_prompt='Be concise, reply with one sentence.',
)

2. Agents d'exécution：同步运行代理，进行简单的对话。

   result = agent.run_sync('Where does "hello world" come from?')
print(result.data)

复杂代理示例

1. 定义依赖和结果模型：使用Pydantic定义依赖和结果模型。

   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='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)

2. 创建支持代理：定义系统提示和工具函数。

   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)

3. 运行支持代理：使用定义的依赖运行代理。

   async def main():
deps = SupportDependencies(customer_id=123, db=DatabaseConn())
result = await support_agent.run('What is my balance?', deps=deps)
print(result.data)
# 输出示例：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)
# 输出示例：support_advice="I'm sorry to hear that, John. Your card has been blocked for security reasons." block_card=True risk=7

调试和监控

PydanticAI集成了Logfire，用于调试和监控生成式AI应用的性能和行为。通过Logfire，可以实时查看代理运行情况，分析响应数据，优化应用性能。

反馈和改进

PydanticAI目前处于早期测试阶段，API可能会有变动。用户在使用过程中遇到任何问题或有改进建议，欢迎通过GitHub提交反馈。