Pydantic 是一个 Python 库，使用标准类型提示来定义数据模型并在运行时强制执行数据模式。最初，Python 添加类型注解是为了静态分析，但其日益多样化的用途已扩展到运行时验证。基于高性能的 Rust 核心，Pydantic 提供高效的数据验证、解析和序列化。 虽然 Pydantic 在 Web API 开发中最为人知，但它在 LLM 应用中也变得不可或缺。我们通常使用 从LLMs获取结构化输出 技术来管理 LLM 的不确定性。通过定义严格的数据模式，它为模型输出的不确定性提供了安全网——将自由格式的文本响应转换为确定性、类型安全的 Python 对象（例如 JSON）。这种方法通常通过 Pydantic AI 或 LangChain 实现，将潜在脆弱的 LLM 交互转化为可靠的、机器可读的数据契约。我们的团队已成功在生产环境中使用 Pydantic 从非结构化文档中提取结构化表示，确保输出符合有效结构。鉴于其成熟度、性能和可靠性，Pydantic 现在是我们生产级 Python AI 应用的默认选择。
起初，Python 添加了类型注解用以支持静态分析。然而，考虑到类型注解和一般注解在其他编程语言中的广泛使用，开发者开始将 Python 的类型注解用于其他目的只是时间问题。pydantic 就是其中一种，用类型注解进行运行时数据验证和设置管理。当接收到JSON数据，并需要将其解析为复杂的 Python 结构时，pydantic 确保传入的数据与预期类型匹配，或在不匹配时报告错误。虽然 pydantic 可以被直接使用，许多开发者将它作为最流行的 Python web 框架之一—— FastAPI 的一部分来使用。事实上，在 FastAPI 中使用 pydantic 被认为非常有必要，以至于最近有一个 Python 更改提议——旨在降低加载带注解的代码到内存中的成本——被重新考虑， 因为它会在运行时破坏类型注解的使用。
