Pydantic es una biblioteca de Python que utiliza las anotaciones de tipo estándar para definir modelos de datos y aplicar esquemas de datos en tiempo de ejecución. Originalmente, las anotaciones de tipo se añadieron a Python para análisis estático, pero su creciente versatilidad ha llevado a usos más amplios, incluida la validación en tiempo de ejecución. Construido sobre un núcleo rápido en Rust, ofrece validación, análisis y serialización de datos eficiente. Aunque es más conocida por su uso en el desarrollo de APIs web, Pydantic también se ha vuelto esencial en aplicaciones con LLMs. Normalmente utilizamos la técnica de salida estructurada de LLMs para gestionar la naturaleza impredecible de los LLMs. Al definir un esquema de datos estricto, actúa como una red de seguridad frente a la naturaleza impredecible de la salida del modelo, convirtiendo respuestas de texto libre en objetos de Python deterministas y con tipos seguros (por ejemplo, JSON). Este enfoque, a menudo implementado mediante Pydantic AI o LangChain, convierte interacciones potencialmente frágiles con LLMs en contratos de datos confiables y legibles por máquina. Nuestros equipos han utilizado Pydantic con éxito en producción para extraer representaciones estructuradas de documentos no estructurados, asegurando que la salida cumpla con una estructura válida. Por su madurez, rendimiento y confiabilidad, Pydantic es ahora nuestra opción predeterminada para aplicaciones de IA en Python a nivel de producción.
Originalmente, se agregaron las anotaciones de tipo a Python para apoyar el análisis estático. Sin embargo, teniendo en cuenta la amplitud con la que se utilizan las anotaciones de tipo, y las anotaciones en general, usadas en otros lenguajes de programación, era sólo cuestión de tiempo que los desarrolladores comenzaran a utilizar las anotaciones de tipo de Python para otros fines. pydantic entra en esta categoría. Permite utilizar anotaciones de tipo para la validación de datos y la gestión de configuraciones en tiempo de ejecución. Cuando los datos llegan como, por ejemplo, un documento JSON y necesitan ser analizados en una estructura compleja de Python, pydantic asegura que los datos entrantes coinciden con los tipos esperados o informa de un error si no es así. Aunque puedes utilizar pydantic directamente, muchos desarrolladores lo han utilizado como parte de FastAPI, uno de los frameworks web más populares de Python. De hecho, el uso de pydantic en FastAPI se considera tan indispensable que un cambio propuesto recientemente en Python, destinado a reducir el coste de la carga de código anotado en memoria, fue reconsiderado porque habría roto el uso de anotaciones de tipo en tiempo de ejecución.
