用Python搭AI Agent，别再忍受LangChain的重量了——Pydantic AI 18k星背后的类型安全革命

2026年了，如果你在用 Python 搭 AI Agent，却还在忍受 LangChain 那一大堆抽象链和 Runnables——是时候换一个思路了。

Pydantic AI，来自 Pydantic 团队（就是那个让你又爱又恨的数据验证库），是一个专注于「类型安全」的生产级 Agent 框架。GitHub 已斩获 18k+ Stars，稳居 Python Agent 框架头部梯队。

凭什么火？

核心就一句话：让 LLM 输出变得可预测。

大多数 Agent 框架把 LLM 的响应当字符串来处理，解析靠手写，错误靠运气。Pydantic AI 不一样——它把 Pydantic V2 的验证系统直接搬到 Agent 层。你定义一个 Pydantic Model，框架保证模型输出严格符合这个 Schema，不符合就自动重试并附带错误反馈。

这意味着什么？LLM 偶尔漏字段、用错类型、或者多加一个多余键——这些在其他框架里会悄悄变成线上 bug 的情况，在 Pydantic AI 这里会被直接拦在边界层，清清楚楚告诉你哪里出了问题。

实测感受

上手体验非常「Pythonic」。不像学 LangChain 还得先背一套框架词汇表，Pydantic AI 的概念直接映射到你已经熟悉的 Python 写法：

• Agent = 你的 AI 任务单元
• Model = 底层 LLM（支持 OpenAI / Anthropic / Gemini / Ollama 等）
• Tool = 带 @llm.tool 装饰器的普通 Python 函数
• Result = 带类型注解的结构化返回值

工具定义就是写一个带类型提示的 Python 函数，框架自动从函数签名生成 JSON Schema 给 LLM 用，docstring 直接变成工具描述。不需要额外的工具规范语言，不需要配置文件。

多轮对话调用也简洁——response.resume(results) 继续对话循环，整个 Agent 循环就是一个标准 Python while 循环，透明、可调试、不魔幻。

适用场景

适合你如果：
– 团队用 Python，需要生产级的 AI Agent
– 对输出的结构正确性有要求（比如下游系统会消费这些数据）
– 希望代码能被 IDE 自动补全、静态类型检查覆盖到 Agent 层
– 需要在多个 LLM 提供商之间切换做成本/能力对比

不太适合如果：
– 追求快速原型，不想被类型约束绑住
– 需要开箱即用的 RAG、Memory、向量存储全家桶
– 非 Python 技术栈

框架哲学

Pydantic AI 的设计哲学很有意思：最小化抽象。没有内置的 Memory 系统、没有 RAG 管道、没有向量存储集成——这些他们认为属于应用层，应该你自己选型组合。

这和 LangChain 的「全能型框架」路线完全相反。LangChain 什么都给你，但学起来厚、跑起来重、出了问题调试困难。Pydantic AI 只做一件事并且做好：让 LLM 输出可验证、可预期。

安装使用

pip install pydantic-ai

from pydantic_ai import Agent

agent = Agent('gpt-4o-mini')
result = agent.run_sync('Hello, world!')
print(result.data)

需要 Python 3.10+，准备好 LLM 提供商的 API Key。

GitHub：https://github.com/pydantic/pydantic-ai

如果你在 2026 年认真做生产级 AI Agent，建议把这个框架加入你的技术选型列表。不一定是替代 LangChain，但绝对是值得对比了解的那一块拼图。

GitHub: https://github.com/pydantic/pydantic-ai