FollowAgents AI AGENTS 目录
首页 / 全部 Agents / Pydantic AI
开发与工程 pythonpydanticdependency-injectionstructured-outputmcpobservabilitygraph-workflows

Pydantic AI

用 Python 类型与 Pydantic 校验构建可组合的生成式 AI 应用。

在 GitHub 查看 ↗ 快速上手 ↓
源仓库
pydantic/pydantic-ai
Star 数
★ 21k
最近更新
今天
License
MIT
主语言
Python
FA 评分
65/100 · 存在缺口

30 秒速览

运行形态
代码库 / SDK命令行工具开发框架
可在哪里用
通用 · 跨平台OpenAI API · Claude API
费用
软件免费，模型调用费用自付
上手难度
低 · 几分钟可跑通
开始前需要
Pythonpydantic-ai网络访问MCP Server
典型场景
Python 后端团队为银行客服场景构建一线支持 Agent，并把客户 ID 与数据库连接作为 SupportDependencies 注入工具。
不适合
  • 希望零代码、纯图形界面搭建智能体的用户
  • 不愿自行提供模型 API Key 或承担按量计费的个人
源码审查
65/100 · 存在缺口

这个 Agent 能做什么，适合哪些场景？

Pydantic AI 是 Pydantic 团队提供的 Python 生成式 AI Agent 框架。开发者通过 Agent 定义模型、instructions、依赖类型和输出类型，并以同步 run_sync 或异步 run 执行一次对话。它可将函数注册为模型可调用的工具，并用 RunContext 向动态 instructions 和工具注入运行时依赖。输出可由 Pydantic 模型校验，框架还声明支持流式结构化输出、图、评估、持久化执行、MCP 与 UI 事件流。它适合希望以 Python 类型提示组织生产级 Agent 工作流的团队，但实际模型调用仍需接入所选模型或提供商。

应用先创建 Agent，例如传入 'anthropic:claude-sonnet-4-6' 或 'openai:gpt-5.2'、instructions、deps_type 和 output_type。随后调用 agent.run_sync(prompt) 或 await agent.run(prompt, deps=...)，框架把 instructions 与用户提示发送给模型，并持续处理模型产生的工具调用，直到得到最终结果。使用 @agent.instructions 可依据 RunContext[DepsType] 动态生成 instructions；使用 @agent.tool 注册的函数会向模型提供工具描述和参数 schema。工具参数及 output_type 均使用 Pydantic 校验；校验失败时，README 说明会提示模型重试。最终结果从 result.output 读取，可为文本或指定的结构化 Pydantic 输出。

  1. Python 后端团队为银行客服场景构建一线支持 Agent，并把客户 ID 与数据库连接作为 SupportDependencies 注入工具。
  2. 需要返回固定字段的应用团队用 BaseModel 定义风险等级、建议和操作标志，并以 output_type 校验模型结果。
  3. 希望让模型查询业务数据的开发者，将异步 Python 函数以 @agent.tool 注册，例如读取客户余额。
  4. 需要按用户、会话或业务上下文调整提示词的团队，用 @agent.instructions 和 RunContext 生成动态 instructions。
  5. 构建复杂或长时运行工作流的工程团队，评估其图、持久化执行、人工审批和 MCP 集成能力。

如何安装或部署这个 Agent？

提供的材料只说明需要安装 pydantic_ai 包，并链接到安装页面；未提供可复制的安装命令、Python 版本要求、包版本约束或凭据配置步骤。因此无法仅依据现有材料给出准确安装命令。运行示例还需要为所选模型提供商配置其访问凭据，但材料未说明具体环境变量或认证方式。

如何使用这个 Agent？

安装并配置所选模型提供商的凭据后，可按示例创建并运行 Agent：from pydantic_ai import Agent；agent = Agent('anthropic:claude-sonnet-4-6', instructions='Be concise, reply with one sentence.')；result = agent.run_sync('Where does "hello world" come from?')；然后读取 result.output。需要结构化输出时，在 Agent 中传入 Pydantic BaseModel 作为 output_type；需要异步依赖和工具时，使用 await support_agent.run(..., deps=deps)，并通过 @support_agent.tool 注册函数。

这个 Agent 有哪些优点和局限？

优点
  • 以 Agent[Dependencies, Output]、RunContext 和 Python 类型提示组织依赖与返回值，示例明确展示了静态类型检查的使用方式。
  • 工具参数和结构化输出使用 Pydantic 校验；材料说明输出校验失败会让模型重试。
  • 声明支持 OpenAI、Anthropic、Gemini、DeepSeek、Mistral、Amazon Bedrock、Ollama、LiteLLM 等多种模型或提供商，并允许实现 custom model。
  • 可组合 capabilities 覆盖 thinking、web search 和 MCP，并声明可使用 YAML/JSON 定义 Agent。
  • 与 Pydantic Logfire 和兼容 OpenTelemetry 的其他可观测性后端集成，用于追踪、评估和成本监控。
局限
  • 提供的材料没有给出安装命令、Python 版本、依赖锁定方式或凭据配置，首次接入仍需查明这些运行细节。
  • 实际运行依赖所选择的模型或提供商；不同提供商、模型和 capability 的可用性及成本并未在材料中逐项说明。
  • 动态 instructions、工具和依赖注入要求应用自行实现数据库连接、业务逻辑及错误处理，框架不会提供这些业务系统。
  • 尽管声明支持持久化执行、人工审批、MCP、图和 UI 事件流，材料未给出这些功能的最小配置或完整端到端示例。
  • Pydantic 校验失败时会要求模型重试，这可能增加模型调用次数和延迟。

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
Pydantic AI 当前 65 · 存在缺口 代码库 / SDK免费 + 模型费 ★ 21k 今天 Python OpenAI API · Claude API
AgentLoom 多智能体工作流编排 52 · 缺口较多 — ★ 169 今天 Python OpenAI API
Julep — 持久化、可组合的 AI 智能体框架 64 · 存在缺口 代码库 / SDK免费 + 模型费 ★ 6.6k 3 个月前 Python —
Agently AI 应用运行时 63 · 存在缺口 代码库 / SDK免费 + 模型费 ★ 1.7k 24 天前 Python OpenAI API · Claude API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1
存在缺口
65/ 100 五分制 3.3 / 5
本评测基于 2026年8月9日 的源码；此后该项目发布了 31 个正式版本，尚未复审。分数与结论只代表评测时的版本。 最近版本 ↓
信任安全 13/29
可靠稳定 9/14
适用触发 14/18
规范维护 14/18
有效结果 10/13
证据核验 5/8
查看各维度的扣分理由
信任安全13 / 29 · 2.2/5

证据显示：README 明确支持人类在环工具审批（human-in-the-loop tool approval），表明用户确认机制存在；pyproject.toml 包含安全驱动的依赖版本下限（如 urllib3>=2.7.0, cryptography>=48.0.1），体现依赖安全考虑；但未发现最小权限原则的明确文档，数据流透明性仅通过可观测性集成间接体现，敏感数据处理和外部影响（如工具调用副作用）缺乏详细说明，回滚机制未提及。扣分原因：最小权限、数据流透明性、敏感数据处理、外部影响、回滚均缺乏直接证据。

可靠稳定9 / 14 · 3.2/5

证据显示：README 和 pyproject.toml 描述一致，框架定位清晰；依赖管理使用 uv workspace 和约束依赖，但未提供依赖可用性保证（如镜像或锁定文件）；失败消息方面，测试配置中 filterwarnings 和错误处理表明有一定关注，但未提供面向用户的失败消息文档。扣分原因：依赖可用性和失败消息缺乏直接证据。

适用触发14 / 18 · 3.9/5

证据显示：README 明确目标受众为生产级应用开发者，场景覆盖广泛（工具、结构化输出、流式、图等）；能力边界通过可组合能力（capabilities）和自定义模型接口说明；触发精度方面，工具和指令的注册机制清晰；环境适配支持多种模型和提供商，但未明确部署环境要求。扣分原因：环境适配缺乏具体部署说明。

规范维护14 / 18 · 3.9/5

证据显示：README 结构清晰，包含文档链接、示例、下一步；安装说明指向文档，但未在仓库内提供详细步骤；命名稳定，包名和 CLI 命令明确；示例丰富，包含 Hello World 和工具示例；已知限制未明确列出；许可证为 MIT，清晰；版本化通过动态版本和 changelog 链接，但未提供详细变更日志；维护责任由 Pydantic 团队承担，但未验证。扣分原因：安装说明、已知限制、版本化变更日志、维护责任证据不足。

有效结果10 / 13 · 3.8/5

证据显示：输出可用性通过结构化输出和流式输出保证；边际价值高，提供类型安全、可观测性、评估等独特功能；成本效益方面，开源免费，但未提供性能或资源消耗数据。扣分原因：成本效益缺乏数据支持。

证据核验5 / 8 · 3.1/5

证据显示：README 中的声明（如模型支持、功能）可追溯到文档和代码；跨源佐证方面，README 与 pyproject.toml 一致，但未与其他独立来源交叉验证；事实与推断分离方面，README 明确区分了功能描述和示例，但未明确标注推断。扣分原因：跨源佐证和事实推断分离缺乏明确证据。

风险与缓解建议
  • 发布者身份未经验证，应视为未知，不要基于品牌推断安全性。
  • 静态审查无法验证实际执行行为，所有评分基于源代码和文档，置信度低。
  • 依赖安全虽有版本下限，但未提供锁文件或供应链验证，实际部署时需自行确认。
证据充分度：低 评估于 2026年8月9日 审查版本 fc6a3ac50651 评估后仓库已有新提交，评分可能未覆盖最新改动
评估证据 README.mdLICENSEpyproject.tomlworkflows/AGENTS.mdworkflows/CLAUDE.mdtests/_inline_snapshot.pytests/capability_models.py
查看完整评分方法 →

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

  1. v1.107.10 v1.107.10 (2026-11-04)
    发布说明摘录
    What's Changed 🛡️ Security * [GHSA-m5vj-8mcw-82qx](https://github.com/pydantic/pydantic-ai/security/advisories/GHSA-m5vj-8mcw-82qx) (high): web_fetch_tool and the WebFetch capability's local fallback re-indented a JSON response on the event loop before applying the returned-content limit, so a deeply nested document within the download size limit could expand to hundreds of times its size, using large amounts of memory and delaying other work in the same process. You are affected if an attacker can choose or influence the URLs the tool fetches. Provider-native web fetching is not af …
    在 GitHub 查看 ↗
  2. v2.66.0 v2.66.0 (2026-11-04)
    发布说明摘录
    <!-- Release notes generated using configuration in .github/release.yml at 7d1d3f0191fd5d500b02e58dee2bf6d7adc1b967 --> What's Changed 🛡️ Security * [GHSA-m5vj-8mcw-82qx](https://github.com/pydantic/pydantic-ai/security/advisories/GHSA-m5vj-8mcw-82qx) (high): web_fetch_tool and the WebFetch capability's local fallback re-indented a JSON response on the event loop before applying the returned-content limit, so a deeply nested document within the download size limit could expand to hundreds of times its size, using large amounts of memory and delaying other work in the same process. …
    在 GitHub 查看 ↗
  3. v2.65.0 v2.65.0 (2026-11-02)
    发布说明摘录
    <!-- Release notes generated using configuration in .github/release.yml at a56a6d6f138d1e3a9c45a9697ea513bef47a6cea --> What's Changed ⚠️ Compatibility Notes * Protect the gh-aw canonical session capture from agent tools by @dsfaccini in https://github.com/pydantic/pydantic-ai/pull/10606 * Add multimodal notes to AskUserAnswer by @dsfaccini in https://github.com/pydantic/pydantic-ai/pull/11664 * Count BrowserUse model calls toward the host run's usage and UsageLimits by @mpfaffenberger in https://github.com/pydantic/pydantic-ai/pull/11860 …
    在 GitHub 查看 ↗

常见问题

它是否绑定某一家模型提供商？
不是。材料将其描述为 model-agnostic，并列出 OpenAI、Anthropic、Gemini、DeepSeek、Mistral、Ollama、LiteLLM 等提供商，同时说明可实现 custom model。
模型输出如何保证符合业务结构？
可把 Pydantic BaseModel 作为 output_type 传入 Agent。材料说明结果会被校验；若校验失败，模型会被提示重试。
能否让模型调用内部业务函数？
可以。通过 @agent.tool 注册函数，函数参数会成为传给模型的工具 schema；RunContext 可携带应用注入的依赖。
是否支持人工确认高风险操作？
支持。材料说明可将特定工具调用标记为需要审批，审批条件可依赖工具参数、对话历史或用户偏好。
运行时成本由什么决定？
材料没有给出价格。成本至少取决于所选模型或提供商的调用；输出校验失败后的重试也可能增加调用量。
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审，横向比较这个 Agent 所属的短名单。

开源编程 Agent 横向对比

按 FARS 评审排序的开源编程 agent——分数、信任、许可证、语言与维护状态并排比较，并说明各自擅长与不擅长什么。

MCP Agent 横向对比

提供或调用 Model Context Protocol 服务的 agent，按 FARS 评审排序，并列出许可证、维护状态与信任分。

Agent 开发框架排行榜

LangChain、LangGraph、CrewAI、AutoGen、Agno、Mastra、Pydantic AI、OpenAI Agents SDK、Google ADK 等 Agent 框架，按 FARS 源码评审排名。

相关 Agents

开发与工程

AgentLoom 多智能体工作流编排

用 YAML 定义并运行带权限、可恢复、可审计的多智能体应用。
开发与工程

Julep — 持久化、可组合的 AI 智能体框架

构建可崩溃恢复、安全重试、逐步可解释的 AI 数据流，而非临时循环。
开发与工程

Agently AI 应用运行时

用统一请求、动作与事件流构建可验证的 AI 服务后端。
开发与工程

Mirascope

用统一接口调用不同前沿模型，并构建带工具和结构化输出的智能体。