大型語言模型（LLMs）降低了人工智能的門檻，使其觸手可及。但要開發成熟的的AI系統，我們經常要面對類型安全、依賴管理、錯誤處理等一系列挑戰。現在Pydantic AI能夠解決這些問題，這是一個創新的Python框架，能夠簡化生產級AI智能體的開發。

得益于Pydantic強大的類型系統，這個框架成為了開發者構建既可靠又易于維護的AI應用的理想工具。本文為大家分析Pydantic AI框架的價值和功能，以及如何利用其來構建可靠的AI應用。

1.Pydantic AI簡介 

Pydantic AI是專為Python開發者設計的框架，架起了開發者與大型語言模型（LLMs）之間的橋梁，使智能體的創建更加簡單便捷，能夠依據系統指令、函數調用以及結構化輸出來完成既定任務。

核心功能包括：

• 類型安全：確保所有輸入和輸出的數據類型都經過嚴格驗證，從而提高代碼的穩定性和可靠性。
• 靈活設計：支持動態系統提示、可復用的工具以及模塊化的架構設計，使得智能體的開發更加靈活和高效。
• 廣泛兼容：能夠與多種LLMs無縫協作，包括但不限于OpenAI、Anthropic和Gemini。
• 錯誤處理：內建了重試機制和結構化的異常管理，有效提升了智能體的魯棒性和錯誤恢復能力。

2.選擇Pydantic AI的理由 

便捷開發：Pydantic AI讓開發者能夠更加集中精力于業務邏輯，將復雜的底層細節交給框架來處理。

增強可靠性：框架通過類型驗證確保輸入、輸出和依賴的準確性，有效預防了運行時錯誤。

生產級支持：內置了對異步操作、實時監控和調試的支持，為開發生產級別的應用提供了強大的工具。

3.安裝指南 

安裝Pydantic AI非常簡單快捷，只需在命令行中執行以下命令：

pip install pydantic-ai

4.智能體定義 

在Pydantic AI框架中，智能體是一個集成了多個組件的單元：

• 系統提示：為LLMs提供行為指導的規則。
• 依賴管理：動態注入的、類型安全的依賴項。
• 函數工具：針對特定任務設計的可復用功能。
• 結構化輸出：使用Pydantic模型定義輸出數據的格式。

5.示例：創建簡單的智能體 

以下是使用Pydantic AI創建一個響應用戶查詢的智能體的基本示例：

from pydantic_ai import Agent, RunContext  
from pydantic import BaseModel

class QueryResponse(BaseModel):
    answer: str  
    confidence: float  

agent = Agent(  
    "openai:gpt-4",  
    result_type=QueryResponse,  
    system_prompt="為用戶提供簡潔的答案。"
)  

@agent.tool  
asyncdef provide_context(ctx: RunContext[str]) -> str:
    returnf"Context: {ctx.deps}"

result = agent.run_sync("印度的首都是哪里？", deps="General Knowledge")  
print(result.data)

輸出：

answer='印度的首都是新德里。' confidence=0.9

6.關鍵特性 

6.1 運行智能體

Pydantic AI框架提供了三種執行智能體的方法：

• 異步執行（agent.run()?）：這是一個異步協程，返回包含完整響應的?RunResult對象。

from pydantic_ai import Agent
agent = Agent("openai:gpt-4", system_prompt="成為一個有用的助手。")
result = await agent.run("你好，你好嗎？")
print(result.data)  # 輸出響應

• 同步執行（agent.run_sync()?）：這是?agent.run()的同步版本，會阻塞直到獲取響應。

result = agent.run_sync("天氣怎么樣？")
print(result.data)

• 流式執行（agent.run_stream()?）：以流的形式傳輸結果，允許逐步處理輸出。

async with agent.run_stream("給我講個故事。") as result:
    async for text in result.stream_text():
        print(text)  # 輸出流式文本

6.2 智能體運行與對話管理

智能體的單次運行可以涵蓋整個對話流程，或者作為更長篇互動的一部分。具體應用場景如下：

• 單次運行對話：在一個會話中完整捕獲所有交互消息。
• 多次運行對話：在不同的運行實例間保持對話狀態，適用于構建復雜的對話流程。

以下是如何訪問RunResult中的消息示例：

print(result.all_messages())  # 顯示所有消息，包括系統和用戶的提示
print(result.new_messages())  # 顯示新消息，不包括系統的提示

6.3 系統提示

系統提示是指導智能體行為的關鍵，可以是靜態的或動態的：

• 靜態提示：在智能體初始化時設定，為智能體提供一貫的行為準則。

agent = Agent("openai:gpt-4", system_prompt="成為一個有用的老師。")

• 動態提示：在智能體運行時根據上下文進行調整，使智能體能夠根據不同情境靈活響應。

@agent.system_prompt
def dynamic_prompt(ctx):
    return f"為{ctx.user_role}用戶提供答案。"

6.4 函數工具的應用

函數工具是擴展智能體功能的重要手段，可以是靜態的或動態的：

• 靜態工具：通過@agent.tool裝飾器注冊，為智能體提供固定的功能。

@agent.tool
def current_date():
    return datetime.now().isoformat()

• 動態工具：根據每次運行的具體情況定制，通過prepare函數來決定工具的行為。

@agent.tool(prepare=lambda ctx, tool: tool if ctx.user_query == "specific" else None)
def fetch_data():
    return "根據上下文過濾數據"

6.5 智能體的自我修正

智能體具備自我修正的能力，能夠通過處理驗證錯誤和重試失敗的操作來優化執行過程：

• 驗證重試：當數據驗證未通過時，智能體會自動嘗試重新執行。

from pydantic_ai import ModelRetry

@agent.tool
def validate_data(ctx):
    if not ctx.input_data:
        raise ModelRetry("數據缺失，正在重試...")

• 重試次數設置：可以對智能體進行全局或工具級別的重試次數配置。

agent = Agent("openai:gpt-4", retry_count=3)

7.結語 

Pydantic AI正在重塑開發者構建AI智能體的方式。它專注于提供類型安全、模塊化設計和用戶友好的體驗，是開發可靠且即插即用的AI應用的必備工具。

本文轉載自??AI科技論談??，作者： AI科技論談 ????