Pydantic AI

GenAI Agent 框架，Pydantic 的进阶之道

---

文档: ai.pydantic.dev

---

Pydantic AI 是一个 Python Agent 框架，旨在帮助你快速、自信且轻松地构建生产级的生成式 AI 应用和工作流。

FastAPI 通过提供创新且符合人体工程学的设计，构建在 Pydantic Validation 和现代 Python 特性（如类型提示）的基础之上，彻底改变了 Web 开发。

尽管几乎所有的 Python Agent 框架和 LLM 库都在使用 Pydantic Validation，但当我们开始在 Pydantic Logfire 中使用 LLM 时，我们始终找不到那种“心满意足”的感觉。

我们构建 Pydantic AI 的目标非常简单：将构建 FastAPI 的那种流畅体验带入到 GenAI 应用和 Agent 开发中。

为什么选择 Pydantic AI

1. Pydantic 团队打造： Pydantic Validation 是 OpenAI SDK、Google ADK、Anthropic SDK、LangChain、LlamaIndex、AutoGPT、Transformers、CrewAI、Instructor 等众多库的验证核心。既然可以直接使用源码级方案，何必使用派生工具？ :smiley:

2. 模型无关： 支持几乎所有 模型 和供应商：OpenAI、Anthropic、Gemini、DeepSeek、Grok、Cohere、Mistral 和 Perplexity；支持 Azure AI Foundry、Amazon Bedrock、Google Cloud、Ollama、LiteLLM、Groq、OpenRouter、Together AI、Fireworks AI、Cerebras、Hugging Face、GitHub、Heroku、Vercel、Nebius、OVHcloud、阿里云 (Alibaba Cloud) 和 SambaNova。如果你的模型或供应商未列出，也可以轻松实现 自定义模型。

3. 无缝可观测性： 与我们的通用 OpenTelemetry 可观测平台 Pydantic Logfire 紧密 集成，实现实时调试、基于 Evals 的性能监控，以及行为、追踪和成本跟踪。如果你已经拥有支持 OTel 的可观测平台，也可以 直接使用。

4. 完全类型安全： 专为 IDE 或 AI 编码 Agent 提供尽可能多的上下文，用于自动补全和 类型检查，将整个类别的错误从运行时转移到编写时，带来一点类似 Rust 那种“如果能编译通过，就能运行”的安心感。

5. 强大的 Evals： 使你能够系统地测试和 评估 你所构建的 Agent 系统的性能和准确性，并在 Pydantic Logfire 中持续监控性能。

6. 原生支持扩展： 通过可组合的 能力 (Capabilities) 构建 Agent，这些能力将工具、钩子、指令和模型设置打包成可重用的单元。你可以使用内置的 网络搜索、思考过程 (Thinking) 和 MCP 功能，从 Pydantic AI Harness 能力库中挑选，或者构建自己的能力，甚至安装 第三方能力包。你甚至可以完全通过 YAML/JSON 定义 Agent——无需编写代码。

7. MCP、A2A 和 UI 支持： 集成了 Model Context Protocol、Agent2Agent 以及各种 UI 事件流 标准，让你的 Agent 能够访问外部工具和数据，实现 Agent 间的互操作，并通过基于事件流的通信构建交互式应用。

8. 人工参与的工具审批 (Human-in-the-Loop)： 轻松标记特定的工具调用，要求在执行前获得 审批，审批决策可基于工具参数、对话历史或用户偏好。

9. 持久化执行： 支持构建 持久化 Agent，它们可以在短暂的 API 故障、应用错误或重启后恢复进度，并以生产级的可靠性处理长期运行、异步及涉及人工参与的工作流。

10. 流式输出： 提供持续 流式传输 结构化输出的能力，并进行即时验证，确保实时获取生成的数据。

11. 图 (Graph) 支持： 提供了一种使用类型提示定义 图 的强大方式，适用于标准控制流可能退化为“意大利面条式代码”的复杂应用场景。

实际上，再多的列表说明也不如 亲自尝试 带来的说服力强。