Pydantic AI
Le framework d'agents de l'équipe Pydantic — agents typés, sorties structurées, appel d'outils, reprises et évaluations construits autour de la validation Pydantic, avec un support multi-fournisseurs et de bascule de premier ordre.
L'IA de production est un système : contexte, outils, permissions, traces, évaluations et boucles de rétroaction autour du modèle.
Ce que c'est
Pydantic AI est un framework d'agents Python : vous définissez un agent avec un modèle, des instructions, des outils et un schéma de sortie typé, et le framework gère la validation, les reprises du modèle en cas d'échec de schéma, la diffusion en continu, les limites d'usage et la bascule entre fournisseurs. Son compagnon pydantic-evals couvre les jeux de données, les évaluateurs déterministes et la notation LLM comme juge ; Pydantic Logfire instrumente les exécutions.
Pourquoi c'est important
Il apporte aux agents la discipline de typage que les équipes Python connaissent de FastAPI : la sortie structurée est le défaut, pas un ajout, et l'abstraction reste assez mince pour se lire. Pour les équipes qui ont trouvé les frameworks lourds opaques, c'est le juste milieu crédible entre les appels SDK bruts et un framework qui possède votre architecture.
Concepts liés
Pydantic, Harnais d'agent, Évaluations, Sorties structurées.
Ressources connexes
La bibliothèque Python pour définir des schémas de données comme des modèles typés avec validation à l'exécution — la couche qui fait passer la sortie du modèle de « probablement du JSON » à des objets auxquels votre code peut se fier.
L'échafaudage autour d'un agent IA — construction du prompt, acheminement des outils, logique de reprise, émission de traces, gestion d'état — qui transforme un modèle en participant de workflow.
De l'anglais « evals », pour évaluations — les cas de test et le harnais qui mesurent si un workflow d'IA fonctionne, avant et après chaque changement.
Faire retourner au modèle des données dans un schéma déclaré — du JSON qui se valide contre un modèle Pydantic ou Zod — pour que le code en aval consomme des champs typés au lieu d'analyser de la prose.
Comment nous l'utilisons
Pydantic AI est le framework d'agents par défaut de notre pile de production. Chaque complétion passe par une seule couture instrumentée — vérification de budget, construction du modèle avec chaînes de bascule, l'appel, la journalisation d'usage — et pydantic-evals pilote les suites de régression qui gardent les changements de prompts et de modèles.