Pydantic AI 是 Pydantic 團隊建立的 Python agent 框架。它的辨識度不在多 agent 圖，而在型別邊界：Agent 的 dependency 與 output 都是 generic type，工具參數和模型輸出再由 Pydantic schema 驗證。
這讓它很適合既有 FastAPI、Pydantic model 與 typed service 的後端。你的 agent 可以依賴資料庫 client，最後必須回傳程式真正能使用的物件，而不是一段看起來像 JSON 的文字。
Agent 同時宣告依賴與輸出
from dataclasses import dataclass
from pydantic import BaseModel
from pydantic_ai import Agent, RunContext
@dataclass
class Deps:
customer_id: str
class Answer(BaseModel):
summary: str
needs_human: bool
agent = Agent('openai:gpt-5-mini', deps_type=Deps, output_type=Answer)
@agent.tool
async def customer_context(ctx: RunContext[Deps]) -> str:
return f'customer={ctx.deps.customer_id}'官方 Agent 文件把 instructions、tools、output type、dependency type、model 與 settings 都收在同一個容器。RunContext 將程式端依賴傳給工具，不必把資料庫或使用者身分塞進 prompt。
Structured output 是驗證，不是事實保證
Output 文件說明 Pydantic AI 會從 output type 建 JSON schema，並驗證模型結果。型別錯誤可以重試；欄位語意仍要由 validator、business rule 或人工核准判斷。needs_human: false 通過型別，不代表模型真的有權批准退款。
工具同樣可用 @agent.tool 取得 context，或用 @agent.tool_plain 宣告不需依賴的函式。Toolset 則把一組工具打包、過濾或在測試時替換，適合把 production integration 換成 fake。
Durable execution 交給專門 runtime
Pydantic AI 沒有假裝普通 message history 就能解決長工作流。官方 durable execution 概覽列出 Temporal、DBOS、Prefect 與 Restate 整合，將 agent step 放進可恢復 runtime。
這是務實分工，也會增加部署面。團隊仍要理解選定 runtime 的 retry、determinism、serialization 與版本升級規則；看見 integration 名稱不等於零設定就得到可靠工作流。
整體來說
Pydantic AI 適合輸出必須進入正式 Python domain model、工具需要明確依賴，而且希望用 type checker 與測試提早抓錯的團隊。以角色聊天為核心的多 agent 系統，AG2 可能更直覺；需要圖狀 checkpoint 的流程，LangGraph 更直接。
最小驗證請做一個 typed output、一個需 dependency 的工具與一個 fake model 測試，再故意回傳錯 schema，確認失敗如何被觀測。其他框架定位見Agent 框架選型指南。
參考資料
Loading...