为了不被本周 AWS re:Invent 上的众多 AI 公告所掩盖，领先的开源 Python 编程语言数据验证库背后的团队Pydantic推出了PydanticAI，这是一个新的代理框架，旨在简化由大型语言模型 (LLM) 支持的生产级应用程序的开发。
PydanticAI 目前处于测试阶段，它将类型安全、模块化和验证功能交到开发人员手中，旨在创建可扩展的、LLM 驱动的工作流程。与 Pydantic 的主要代码一样，它是根据 MIT 许可证开源的，这意味着它可以用于商业应用程序和企业用例，这可能会吸引许多企业——无论如何，其中许多企业已经在使用 Pydantic。
自 12 月 2 日 PydanticAI 推出以来，据我所知，开发人员和在线机器学习/人工智能社区的初步反应基本上是积极的。
例如，Dean“@codevore1”在 X 上写道，PydanticAI 尽管处于测试阶段，但看起来“很有前途！”
视频翻译服务 Targum 的创始人兼首席执行官 Alex Volkov在 X 上发布了一个问题：“它是 LangChain 的竞争对手吗？”
金融经济学家和量化分析师Raja Patnaik 也在 X 上表示，“新的 PydanticAI 代理框架看起来很棒。似乎是 @jxnlco 的讲师和@OpenAI 的群体的混合体。 ”
代理作为容器
PydanticAI 的核心是其基于代理的架构。每个代理都充当管理与 LLM 交互的容器，定义系统提示、工具和结构化输出。
这些代理允许开发人员通过直接在 Python 中编写工作流来简化应用程序逻辑，从而实现静态指令和动态输入的混合来驱动交互。
该框架旨在适应简单和复杂的用例，从单代理系统到可以通信和共享状态的多代理应用程序。
Pydantic的创建者 Samuel Colvin早在 2017 年就提到了这种发展，他在 Pydantic 网站上写道：“随着 Pydantic 的发展，我们现在正在以同样的原则构建其他产品——最强大的工具仍然可以易于使用。”
PydanticAI Agents 的主要功能
PydanticAI 代理提供了一种与 LLM 交互的结构化、灵活的方式：
•与模型无关：代理可以与 OpenAI、Gemini 和 Groq 等 LLM 配合使用，并计划支持 Anthropic。通过简单的界面，可以轻松扩展与其他模型的兼容性。
•动态系统提示：代理可以结合静态和运行时生成的指令，从而允许根据应用程序上下文进行定制交互。
•结构化响应：每个代理使用 Pydantic 模型强制验证 LLM 输出，确保类型安全且可预测的响应。
•工具和功能：代理可以在运行期间根据需要调用函数或检索数据，从而促进检索增强生成和实时决策。
•依赖注入：新颖的依赖注入系统支持模块化工作流，简化与数据库或外部 API 的集成。
•流式响应：代理通过验证处理流式输出，使其成为需要持续反馈或大量输出的用例的理想选择。
实际企业用例
代理框架使开发人员能够以最小的开销构建多样化的应用程序。例如：
•客户支持代理：银行支持代理可以使用 PydanticAI 动态访问客户数据、提供定制建议并评估安全问题的风险级别。依赖注入使代理与实时数据源无缝连接。
•互动游戏：开发人员可以使用代理来支持互动体验，例如骰子游戏或测验，其中响应是根据用户输入和预定义逻辑动态生成的。
•工作流自动化：可以部署多代理系统来完成复杂的自动化任务，其中代理处理不同的角色并协作完成任务。
为开发者而设计
PydanticAI 强调开发人员人体工程学和 Python 原生工作流程：
• Vanilla Python Control：与其他框架不同，PydanticAI 不会为工作流强加新的抽象层。开发人员可以依赖 Python 最佳实践，同时保持对逻辑的完全控制。
•类型安全：基于 Pydantic 构建，该框架确保每一步的类型正确性和验证，减少错误并提高可靠性。
• Logfire 集成：内置监控和调试工具允许开发人员跟踪代理性能并有效地微调行为。
作为早期测试版，PydanticAI 的 API 可能会发生变化，但它已经显示出重塑开发人员构建 LLM 驱动系统方式的强大潜力。Pydantic 团队正在积极寻求开发者社区的反馈，以进一步完善框架。
PydanticAI 体现了团队在 Pydantic 库成功的基础上向 AI 解决方案的扩展。通过专注于代理作为核心抽象，该框架提供了一种强大而又易于理解的方式来使用 LLM 创建可靠、可扩展的应用程序。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/python-shu-ju-yan-zheng-qi-pydantic-tui-chu-yu-mo-xing-wu
