Pydantic AI
用 Python 类型与 Pydantic 校验构建可组合的生成式 AI 应用。
按维度查看评分与理由
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。
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。
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。
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。
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。
- 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。
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。
- 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。 - 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。 - 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。 - 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。 - 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。
这个 Agent 有哪些优点和局限？
- 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。
- 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。
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。
常见问题
它是否绑定某一家模型提供商？
模型输出如何保证符合业务结构？
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？
@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。