Pydantic AI

Pydantic AI是什么？ 核心功能 版本/套餐对比 值不值得用？ 使用建议 适合谁用？ Pydantic AI 是由 Pydantic（那个被无数 Python 项目依赖的数据校验库）原班团队维护的 Agent 框架。它的核心卖点就一句话：用类型系统把 Agent 的输入输出和结构化返回都管起来。在你用 Pydantic 做数据校验早已习以为常的 Python 世界里，他们把同样的理念搬到了 GenAI 应用上——类型安全贯穿框架内部和公开 API，让你在把 Agent 推到用户面前之前，就把大部分数据格式错误挡在编译与校验阶段。1.0 版本发布时，项目已有约 1500 万次下载，足见势头。 Pydantic AI 框架开源免费。围绕它的商业能力——Pydantic Logfire（可观测 SaaS）与 Logfire AI Gateway（智能路由/FinOps）——部分为付费服务，具体档位以官网为准。1.0 承诺至少 6 个月 API 稳定，发布后还会为 V1 提供至少 6 个月安全修复。 优点：对追求 schema 约束与类型安全的 Python 团队几乎是天作之合；100% 测试覆盖、文档示例都经单测，工程质量让人安心；依赖注入、流式、多智能体、人机协作工具审批一应俱全；Logfire 让生产可观测。缺点：仅限 Python；强类型与依赖注入对新手有门槛；部分能力（如图持久化执行、Embeddings 支持）仍在路线图中。结论：如果你用 Python 写生产级 Agent，又受够了「运行时才发现的格式错」，Pydantic AI 值得认真考虑。 推荐：追求类型安全与结构化输出校验的 Python 团队与生产级项目。 可考虑：已用 Pydantic/Logfire 技术栈、希望统一 AI 工程链路的团队。 不推荐：非 Python 栈团队，或只想要零配置拖拽式 Agent 的用户。

• 类型安全：不仅是公开 API，框架内部也全程类型化。讽刺的是，编码 Agent 反而比人更吃类型安全的红利——用 Pydantic AI 时，它和你手里的 Agent 协作体验差距会更大。
• 校验后的结构化输出：作为 Pydantic 的亲儿子，结构化输出是看家本领，支持通过工具调用、Provider 托管结构化输出和手动提示三种方式，保证返回类型正确。
• 模型路由与成本管控：内置 Logfire AI Gateway，单 key 接入多模型，做智能路由与成本治理，几乎零开销。
• 可观测性：和自家 Logfire 原生集成，追踪 LLM 调用、token 成本、失败调试，全部语义化 OpenTelemetry 数据，不锁死在私有标准。
• MCP 支持：内置连接 MCP 服务器，让 Agent 访问文件系统、数据库、API 等外部资源。
• 持久化执行：原生支持 Temporal、DBOS、Prefect、Restate，Agent 在 API 故障或重启时能从断点续跑，适合真实生产系统。