bank_support.py

Das Vorzeige-Beispiel: Support-Agent einer Bank mit Dependency Injection (Kundendaten-“DB”), Tool-Aufruf und typisiertem Ergebnis (inkl. Risiko-Score).

Für wen: Blaupause für jeden Business-Assistenten mit Datenzugriff.

Im Detail

Das Referenzbeispiel aus pydantic-ai zeigt einen Support-Agenten für eine Bank, der per Dependency Injection auf eine simulierte Kundendatenbank zugreift, ein Tool aufruft und ein typisiertes Ergebnis inklusive Risiko-Score zurückgibt. Statt freiem Text liefert der Agent ein strukturiertes, validiertes Objekt – das macht die Ausgabe direkt in Anwendungscode weiterverarbeitbar, etwa um automatisch zu entscheiden, ob ein Fall eskaliert werden muss. Als Blueprint eignet es sich für jeden Business-Assistenten, der echte Datenzugriffe und verlässliche, typsichere Antworten statt Chat-Prosa braucht. Wer nur einen einfachen Chatbot ohne Datenanbindung bauen will, findet hier mehr Struktur als nötig.

Voraussetzungen

• Python-Kenntnisse
• pydantic-ai-Bibliothek installiert
• Zugriff auf ein Sprachmodell (API-Key) für den Agenten

Schritt für Schritt

1. Die simulierte Kundendatenbank durch eine echte Datenquelle über Dependency Injection ersetzen
2. Das Tool auf die eigene Business-Logik anpassen (z. B. echte Kontoprüfungen statt Beispiel-Logik)
3. Das typisierte Ergebnismodell inklusive Risiko-Score-Feld an eigene Anforderungen anpassen
4. Den Agenten mit mehreren Testfällen durchlaufen lassen und die validierte Ausgabe prüfen
5. Die Eskalationslogik anhand des Risiko-Scores im umgebenden Anwendungscode verdrahten

Beispiel aus der Praxis

Eine Kundin fragt nach einer verdächtigen Abbuchung; der Agent ruft über die Dependency Injection ihre Kundendaten ab, nutzt ein Tool zur Prüfung des Falls und liefert statt Fließtext ein strukturiertes, typisiertes Ergebnis mit Risiko-Score, anhand dessen die Anwendung automatisch entscheidet, ob eskaliert werden muss.

Praxis-Tipp

Den Risiko-Score im Beispiel als Vorlage nehmen, um eigene Business-Regeln (z. B. “ab Score > 0.7 an Mensch eskalieren”) direkt an die Tool-Antwort zu koppeln.

Stolperfallen

Wer nur einen einfachen Chatbot ohne Datenanbindung bauen will, überdimensioniert mit diesem Beispiel – die Dependency-Injection- und Typisierungs-Struktur lohnt sich nur, wenn tatsächlich echte Datenzugriffe und verlässliche, maschinell weiterverarbeitbare Antworten gebraucht werden.

Siehe auch

• pydantic_model.py
• weather_agent.py
• sql_gen.py

Lizenz & Quelle

• Lizenz: MIT
• Quelle: pydantic/pydantic-ai

Lade …