pydantic_model.py

Minimalbeispiel strukturierter Output: LLM-Antwort wird direkt in ein Pydantic-Modell gegossen und validiert.

Für wen: Der 30-Sekunden-Einstieg — das Kernkonzept in ~25 Zeilen.

So nutzt du es

Lauffähige Python-Beispiele: Datei herunterladen, pip install pydantic-ai und mit gesetztem API-Key ausführen. Gut kommentierter Einstieg in typsichere Agenten.

Im Detail

Ein rund 25-zeiliges Beispiel, das den Kerntrick von PydanticAI zeigt: Statt die LLM-Antwort als Freitext zu parsen, wird direkt ein Pydantic-Modell als Zielstruktur übergeben, und die Bibliothek übernimmt Validierung sowie Fehlerbehandlung inklusive automatischer Retry-Versuche bei ungültigem Output. Der schnellste Weg, das Prinzip „strukturierter LLM-Output“ zu verstehen, bevor man komplexere Agenten mit Tools baut. Wer bereits mit Pydantic vertraut ist, erkennt sofort den Mehrwert gegenüber manuellem JSON-Parsing mit try/except-Blöcken.

Praxis-Tipp

Kopiere das Modell, ersetze die Felder durch deinen eigenen Use-Case (z. B. Rechnungsdaten mit Betrag und Datum) und beobachte, wie PydanticAI bei ungültigem LLM-Output automatisch nachfragt.

Siehe auch

• bank_support.py
• weather_agent.py
• sql_gen.py

Lizenz & Quelle

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

Lade …