PydanticAI は、Generative AI を使用して運(yùn)用グレードのアプリケーションの開(kāi)発を合理化するように設(shè)計(jì)された強(qiáng)力な Python フレームワーク です。これは、広く使用されているデータ検証ライブラリである Pydantic と同じチームによって構(gòu)築されており、FastAPI の革新的で人間工學(xué)に基づいた設(shè)計(jì)を AI アプリケーション開(kāi)発の分野に導(dǎo)入することを目的としています。 PydanticAI は、タイプ セーフティ、モジュール性、他の Python ツールとのシームレスな統(tǒng)合に重點(diǎn)を置いています。

中心となる概念

PydanticAI は、いくつかの重要な概念を中心に展開(kāi)します。

エージェント

エージェントは、大規(guī)模言語(yǔ)モデル (LLM) と対話するための 主要なインターフェースです。エージェントは、次のようなさまざまなコンポーネントのコンテナとして機(jī)能します。

• システム プロンプト: LLM の指示。靜的文字列または動(dòng)的関數(shù)として定義されます。
• 関數(shù)ツール: LLM が追加情報(bào)を取得したり、アクションを?qū)g行したりするために呼び出すことができる関數(shù)。
• 構(gòu)造化結(jié)果タイプ: LLM が実行の最後に返さなければならないデータ型。
• 依存関係の種類: システム プロンプト関數(shù)、ツール、結(jié)果バリデーターが使用する可能性のあるデータまたはサービス。
• LLM モデル: エージェントが使用する LLM。エージェントの作成時(shí)または実行時(shí)に設(shè)定できます。

エージェントは再利用できるように設(shè)計(jì)されており、通常は一度インスタンス化され、アプリケーション全體で再利用されます。

システムプロンプト

システム プロンプトは、開(kāi)発者によって LLM に提供される指示です。それらは次のとおりです:

• 靜的システム プロンプト: エージェントの作成時(shí)に、エージェント コンストラクターの system_prompt パラメーターを使用して定義されます。
• 動(dòng)的システム プロンプト: @agent.system_prompt で修飾された関數(shù)によって定義されます。これらは、RunContext オブジェクトを介して、依存関係などの実行時(shí)情報(bào)にアクセスできます。

単一のエージェントは靜的システム プロンプトと動(dòng)的システム プロンプトの両方を使用でき、これらは実行時(shí)に定義された順序で追加されます。

from pydantic_ai import Agent, RunContext
from datetime import date

agent = Agent(
    'openai:gpt-4o',
    deps_type=str,
    system_prompt="Use the customer's name while replying to them.",
)

@agent.system_prompt
def add_the_users_name(ctx: RunContext[str]) -> str:
    return f"The user's name is {ctx.deps}."

@agent.system_prompt
def add_the_date() -> str:
    return f'The date is {date.today()}.'

result = agent.run_sync('What is the date?', deps='Frank')
print(result.data)
#> Hello Frank, the date today is 2032-01-02.

機(jī)能ツール

関數(shù)ツールを使用すると、LLM は外部情報(bào)にアクセスしたり、システム プロンプト自體では利用できないアクションを?qū)g行したりできます。ツールはいくつかの方法で登録できます:

• @agent.tool デコレータ: RunContext 経由でエージェントのコンテキストにアクセスする必要があるツール用。
• @agent.tool_plain デコレータ: エージェントのコンテキストにアクセスする必要のないツール用。
エージェント コンストラクターの
• tools キーワード引數(shù): Tool クラスのプレーン関數(shù)またはインスタンスを受け取ることができ、ツール定義をより詳細(xì)に制御できます。

from pydantic_ai import Agent, RunContext
from datetime import date

agent = Agent(
    'openai:gpt-4o',
    deps_type=str,
    system_prompt="Use the customer's name while replying to them.",
)

@agent.system_prompt
def add_the_users_name(ctx: RunContext[str]) -> str:
    return f"The user's name is {ctx.deps}."

@agent.system_prompt
def add_the_date() -> str:
    return f'The date is {date.today()}.'

result = agent.run_sync('What is the date?', deps='Frank')
print(result.data)
#> Hello Frank, the date today is 2032-01-02.

ツール パラメーターは関數(shù)シグネチャから抽出され、ツールの JSON スキーマの構(gòu)築に使用されます。関數(shù)の docstring は、ツールの説明とスキーマ內(nèi)のパラメーターの説明を生成するために使用されます。

依存関係

依存関係は、依存関係注入システムを介して、エージェントのシステム プロンプト、ツール、結(jié)果バリデーターにデータとサービスを提供します。依存関係には RunContext オブジェクトを通じてアクセスします。任意の Python タイプを使用できますが、データクラスは複數(shù)の依存関係を管理する便利な方法です。

import random
from pydantic_ai import Agent, RunContext

agent = Agent(
    'gemini-1.5-flash',
    deps_type=str,
    system_prompt=(
        "You're a dice game, you should roll the die and see if the number "
        "you get back matches the user's guess. If so, tell them they're a winner. "
        "Use the player's name in the response."
    ),
)

@agent.tool_plain
def roll_die() -> str:
    """Roll a six-sided die and return the result."""
    return str(random.randint(1, 6))

@agent.tool
def get_player_name(ctx: RunContext[str]) -> str:
    """Get the player's name."""
    return ctx.deps

dice_result = agent.run_sync('My guess is 4', deps='Anne')
print(dice_result.data)
#> Congratulations Anne, you guessed correctly! You're a winner!

結(jié)果

結(jié)果は、エージェントの実行から返される最終値です。これらは RunResult (同期および非同期実行の場(chǎng)合) または StreamedRunResult (ストリーミング実行の場(chǎng)合) にラップされ、使用狀況データとメッセージ履歴へのアクセスを提供します。結(jié)果はプレーンテキストまたは構(gòu)造化データであり、Pydantic を使用して検証されます。

from dataclasses import dataclass
import httpx
from pydantic_ai import Agent, RunContext

@dataclass
class MyDeps:
    api_key: str
    http_client: httpx.AsyncClient

agent = Agent(
    'openai:gpt-4o',
    deps_type=MyDeps,
)

@agent.system_prompt
async def get_system_prompt(ctx: RunContext[MyDeps]) -> str:
    response = await ctx.deps.http_client.get(
        'https://example.com',
        headers={'Authorization': f'Bearer {ctx.deps.api_key}'},
    )
    response.raise_for_status()
    return f'Prompt: {response.text}'

async def main():
    async with httpx.AsyncClient() as client:
        deps = MyDeps('foobar', client)
        result = await agent.run('Tell me a joke.', deps=deps)
        print(result.data)
        #> Did you hear about the toothpaste scandal? They called it Colgate.

@agent.result_validator デコレータを介して追加された結(jié)果バリデータは、特に検証に IO が必要で非同期である場(chǎng)合に、さらに検証ロジックを追加する方法を提供します。

主な特長(zhǎng)

PydanticAI は、AI アプリケーション開(kāi)発にとって魅力的な選択肢となるいくつかの重要な機(jī)能を備えています。

• モデルに依存しない: PydanticAI は、OpenAI、Anthropic、Gemini、Ollama、Groq、Mistral などのさまざまな LLM をサポートしています。また、他のモデルのサポートを?qū)g裝するためのシンプルなインターフェイスも提供します。
• 型安全性: mypy や pyright などの靜的型チェッカーとシームレスに動(dòng)作するように設(shè)計(jì)されています。これにより、依存関係と結(jié)果の型の型チェックが可能になります。
• Python 中心の設(shè)計(jì): 使い慣れた Python 制御フローとエージェント構(gòu)成を活用して AI プロジェクトを構(gòu)築し、標(biāo)準(zhǔn)的な Python プラクティスを簡(jiǎn)単に適用できます。
• 構(gòu)造化された応答: Pydantic を使用してモデル出力を検証および構(gòu)造化し、一貫した応答を保証します。
• 依存関係注入システム: エージェントのコンポーネントにデータとサービスを提供する依存関係注入システムを提供し、テスト容易性と反復(fù)開(kāi)発を強(qiáng)化します。
• ストリーミング応答: 即時(shí)検証によるストリーミング LLM 出力をサポートし、迅速かつ正確な結(jié)果を可能にします。

エージェントとの連攜

エージェントの実行

エージェントはいくつかの方法で実行できます:

• run_sync(): 同期実行用。
• run(): 非同期実行の場(chǎng)合。
• run_stream(): ストリーミング応答用。

from pydantic_ai import Agent, RunContext
from datetime import date

agent = Agent(
    'openai:gpt-4o',
    deps_type=str,
    system_prompt="Use the customer's name while replying to them.",
)

@agent.system_prompt
def add_the_users_name(ctx: RunContext[str]) -> str:
    return f"The user's name is {ctx.deps}."

@agent.system_prompt
def add_the_date() -> str:
    return f'The date is {date.today()}.'

result = agent.run_sync('What is the date?', deps='Frank')
print(result.data)
#> Hello Frank, the date today is 2032-01-02.

會(huì)話

エージェントの実行は會(huì)話全體を表す場(chǎng)合がありますが、特に対話間の狀態(tài)を維持する場(chǎng)合には、會(huì)話が複數(shù)の実行で構(gòu)成されることもあります。 message_history 引數(shù)を使用して以前の実行からのメッセージを渡し、會(huì)話を続行できます。

import random
from pydantic_ai import Agent, RunContext

agent = Agent(
    'gemini-1.5-flash',
    deps_type=str,
    system_prompt=(
        "You're a dice game, you should roll the die and see if the number "
        "you get back matches the user's guess. If so, tell them they're a winner. "
        "Use the player's name in the response."
    ),
)

@agent.tool_plain
def roll_die() -> str:
    """Roll a six-sided die and return the result."""
    return str(random.randint(1, 6))

@agent.tool
def get_player_name(ctx: RunContext[str]) -> str:
    """Get the player's name."""
    return ctx.deps

dice_result = agent.run_sync('My guess is 4', deps='Anne')
print(dice_result.data)
#> Congratulations Anne, you guessed correctly! You're a winner!

使用制限

PydanticAI は、トークンとリクエストの數(shù)を制限するための settings.UsageLimits 構(gòu)造を提供します。これらの設(shè)定は、usage_limits 引數(shù)を介して実行関數(shù)に適用できます。

from dataclasses import dataclass
import httpx
from pydantic_ai import Agent, RunContext

@dataclass
class MyDeps:
    api_key: str
    http_client: httpx.AsyncClient

agent = Agent(
    'openai:gpt-4o',
    deps_type=MyDeps,
)

@agent.system_prompt
async def get_system_prompt(ctx: RunContext[MyDeps]) -> str:
    response = await ctx.deps.http_client.get(
        'https://example.com',
        headers={'Authorization': f'Bearer {ctx.deps.api_key}'},
    )
    response.raise_for_status()
    return f'Prompt: {response.text}'

async def main():
    async with httpx.AsyncClient() as client:
        deps = MyDeps('foobar', client)
        result = await agent.run('Tell me a joke.', deps=deps)
        print(result.data)
        #> Did you hear about the toothpaste scandal? They called it Colgate.

モデル設(shè)定

settings.ModelSettings 構(gòu)造體を使用すると、溫度、max_tokens、タイムアウトなどのパラメーターを通じてモデルの動(dòng)作を微調(diào)整できます。これらは、実行関數(shù)の model_settings 引數(shù)を介して適用できます。

from pydantic import BaseModel
from pydantic_ai import Agent

class CityLocation(BaseModel):
    city: str
    country: str

agent = Agent('gemini-1.5-flash', result_type=CityLocation)
result = agent.run_sync('Where were the olympics held in 2012?')
print(result.data)
#> city='London' country='United Kingdom'

機(jī)能ツールの詳細(xì)

ツールの登録

ツールは、@agent.tool デコレータ (コンテキストが必要なツールの場(chǎng)合)、@agent.tool_plain デコレータ (コンテキストのないツールの場(chǎng)合)、または Agent コンストラクタの tools 引數(shù)を使用して登録できます。

from pydantic_ai import Agent

agent = Agent('openai:gpt-4o')

# Synchronous run
result_sync = agent.run_sync('What is the capital of Italy?')
print(result_sync.data)
#> Rome

# Asynchronous run
async def main():
    result = await agent.run('What is the capital of France?')
    print(result.data)
    #> Paris

    async with agent.run_stream('What is the capital of the UK?') as response:
        print(await response.get_data())
        #> London

ツールスキーマ

パラメータの説明は docstring から抽出され、ツールの JSON スキーマに追加されます。ツールに JSON スキーマのオブジェクトとして表現(xiàn)できるパラメーターが 1 つある場(chǎng)合、スキーマはそのオブジェクトのみに簡(jiǎn)略化されます。

from pydantic_ai import Agent

agent = Agent('openai:gpt-4o', system_prompt='Be a helpful assistant.')
result1 = agent.run_sync('Tell me a joke.')
print(result1.data)
#> Did you hear about the toothpaste scandal? They called it Colgate.

result2 = agent.run_sync('Explain?', message_history=result1.new_messages())
print(result2.data)
#> This is an excellent joke invent by Samuel Colvin, it needs no explanation.

動(dòng)的ツール

ツールは準(zhǔn)備関數(shù)を使用してカスタマイズできます。この関數(shù)は、ツール定義を変更するか、そのステップからツールを省略するために各ステップで呼び出されます。

from pydantic_ai import Agent
from pydantic_ai.settings import UsageLimits
from pydantic_ai.exceptions import UsageLimitExceeded

agent = Agent('claude-3-5-sonnet-latest')
try:
    result_sync = agent.run_sync(
        'What is the capital of Italy? Answer with a paragraph.',
        usage_limits=UsageLimits(response_tokens_limit=10),
    )
except UsageLimitExceeded as e:
    print(e)
    #> Exceeded the response_tokens_limit of 10 (response_tokens=32)

メッセージとチャット履歴

メッセージへのアクセス

エージェントの実行中に交換されるメッセージには、RunResult オブジェクトと StreamedRunResult オブジェクトの all_messages() メソッドと new_messages() メソッドを介してアクセスできます。

from pydantic_ai import Agent

agent = Agent('openai:gpt-4o')
result_sync = agent.run_sync(
    'What is the capital of Italy?',
    model_settings={'temperature': 0.0},
)
print(result_sync.data)
#> Rome

メッセージの再利用

メッセージを message_history パラメータに渡して、複數(shù)のエージェント実行にわたって會(huì)話を続けることができます。 message_history が設(shè)定されていて空でない場(chǎng)合、新しいシステム プロンプトは生成されません。

メッセージフォーマット

メッセージ形式はモデルに依存しないので、異なるエージェントでメッセージを使用したり、異なるモデルを使用する同じエージェントでメッセージを使用したりできます。

デバッグとモニタリング

ピダンティック?ログファイア

PydanticAI は、アプリケーション全體の監(jiān)視とデバッグを可能にする可観測(cè)性プラットフォームである Pydantic Logfire と統(tǒng)合します。 Logfire は次の目的で使用できます:

• リアルタイム デバッグ: アプリケーションで何が起こっているかをリアルタイムで確認(rèn)します。
• アプリケーションのパフォーマンスの監(jiān)視: SQL クエリとダッシュボードを使用します。

Logfire で PydanticAI を使用するには、logfire オプション グループを使用してインストールします: pip install 'pydantic-ai[logfire]'。次に、Logfire プロジェクトを構(gòu)成し、環(huán)境を認(rèn)証する必要があります。

インストールとセットアップ

インストール

PydanticAI は pip を使用してインストールできます:

from pydantic_ai import Agent, RunContext
from datetime import date

agent = Agent(
    'openai:gpt-4o',
    deps_type=str,
    system_prompt="Use the customer's name while replying to them.",
)

@agent.system_prompt
def add_the_users_name(ctx: RunContext[str]) -> str:
    return f"The user's name is {ctx.deps}."

@agent.system_prompt
def add_the_date() -> str:
    return f'The date is {date.today()}.'

result = agent.run_sync('What is the date?', deps='Frank')
print(result.data)
#> Hello Frank, the date today is 2032-01-02.

スリム インストールは、次のような特定のモデルを使用することもできます。

import random
from pydantic_ai import Agent, RunContext

agent = Agent(
    'gemini-1.5-flash',
    deps_type=str,
    system_prompt=(
        "You're a dice game, you should roll the die and see if the number "
        "you get back matches the user's guess. If so, tell them they're a winner. "
        "Use the player's name in the response."
    ),
)

@agent.tool_plain
def roll_die() -> str:
    """Roll a six-sided die and return the result."""
    return str(random.randint(1, 6))

@agent.tool
def get_player_name(ctx: RunContext[str]) -> str:
    """Get the player's name."""
    return ctx.deps

dice_result = agent.run_sync('My guess is 4', deps='Anne')
print(dice_result.data)
#> Congratulations Anne, you guessed correctly! You're a winner!

Logfire の統(tǒng)合

Logfire で PydanticAI を使用するには、logfire オプション グループを使用してインストールします。

from dataclasses import dataclass
import httpx
from pydantic_ai import Agent, RunContext

@dataclass
class MyDeps:
    api_key: str
    http_client: httpx.AsyncClient

agent = Agent(
    'openai:gpt-4o',
    deps_type=MyDeps,
)

@agent.system_prompt
async def get_system_prompt(ctx: RunContext[MyDeps]) -> str:
    response = await ctx.deps.http_client.get(
        'https://example.com',
        headers={'Authorization': f'Bearer {ctx.deps.api_key}'},
    )
    response.raise_for_status()
    return f'Prompt: {response.text}'

async def main():
    async with httpx.AsyncClient() as client:
        deps = MyDeps('foobar', client)
        result = await agent.run('Tell me a joke.', deps=deps)
        print(result.data)
        #> Did you hear about the toothpaste scandal? They called it Colgate.

例

サンプルは別のパッケージとして入手できます:

from pydantic import BaseModel
from pydantic_ai import Agent

class CityLocation(BaseModel):
    city: str
    country: str

agent = Agent('gemini-1.5-flash', result_type=CityLocation)
result = agent.run_sync('Where were the olympics held in 2012?')
print(result.data)
#> city='London' country='United Kingdom'

テストと評(píng)価

単體テスト

単體テストでは、アプリケーション コードが期待どおりに動(dòng)作するかどうかを検証します。 PydanticAI の場(chǎng)合は、次の戦略に従ってください:

• pytest をテスト ハーネスとして使用します。
• 実際のモデルの代わりに TestModel または FunctionModel を使用します。
• Agent.override を使用して、アプリケーション ロジック內(nèi)のモデルを置き換えます。
• テスト以外のモデルへの誤った呼び出しを防ぐために、ALLOW_MODEL_REQUESTS=False をグローバルに設(shè)定します。

from pydantic_ai import Agent

agent = Agent('openai:gpt-4o')

# Synchronous run
result_sync = agent.run_sync('What is the capital of Italy?')
print(result_sync.data)
#> Rome

# Asynchronous run
async def main():
    result = await agent.run('What is the capital of France?')
    print(result.data)
    #> Paris

    async with agent.run_stream('What is the capital of the UK?') as response:
        print(await response.get_data())
        #> London

エヴァルス

評(píng)価は LLM のパフォーマンスを測(cè)定するために使用され、単體テストというよりはベンチマークに似ています。 Evals は、特定のアプリケーションに対して LLM がどのように実行されるかを測(cè)定することに重點(diǎn)を置いています。これは、エンドツーエンドのテスト、合成自己完結(jié)型テスト、LLM を使用した LLM の評(píng)価、または運(yùn)用環(huán)境でのエージェントのパフォーマンスの測(cè)定によって実行できます。

使用例の例

PydanticAI はさまざまなユースケースで使用できます:

• ルーレット ホイール: 整數(shù)の依存関係とブール値の結(jié)果を持つエージェントを使用してルーレット ホイールをシミュレートします。
• チャット アプリケーション: 複數(shù)の実行でチャット アプリケーションを作成し、message_history を使用して以前のメッセージを渡します。
• 銀行サポート エージェント: ツール、依存関係の注入、構(gòu)造化された応答を使用して銀行のサポート エージェントを構(gòu)築します。
• 天気予報(bào): 関數(shù)ツールと依存関係を使用して、場(chǎng)所と日付に基づいて天気予報(bào)を返すアプリケーションを作成します。
• SQL 生成: 結(jié)果バリデータを使用した検証を行い、ユーザー プロンプトから SQL クエリを生成します。

結(jié)論

PydanticAI は、型安全性とモジュール性を重視した AI アプリケーション開(kāi)発のための堅(jiān)牢かつ柔軟なフレームワークを提供します。データの検証と構(gòu)造化に Pydantic を使用し、依存関係注入システムと組み合わせることで、信頼性が高く保守可能な AI アプリケーションを構(gòu)築するための理想的なツールになります。 PydanticAI は、広範(fàn)な LLM サポートと Pydantic Logfire などのツールとのシームレスな統(tǒng)合により、開(kāi)発者が強(qiáng)力で本番環(huán)境に対応した AI 主導(dǎo)のプロジェクトを効率的に構(gòu)築できるようにします。

以上がPydanticAI: 本番環(huán)境に対応した AI アプリケーションを構(gòu)築するための包括的なガイドの詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。