跳到主内容
快讯直播
AI智模界
AI 词典

Pydantic:用 Python 类型定义数据契约

一句话定义:Pydantic 是 Python 的数据校验库:你用类型注解描述“一份数据长什么样”,它在运行时真正检查这份数据是否合规,不合规就报错并指出是哪一项、为什么。

它到底做了什么

平时写 Python,类型注解多半是给人和编辑器看的,运行时没人管。Pydantic 把注解变成了会执行的规则:

```python

from pydantic import BaseModel, Field

class Invoice(BaseModel):

vendor: str

amount: float = Field(gt=0)

currency: str = "CNY"

```

Invoice(vendor="A", amount=-1) 会直接抛错,告诉你 amount 必须大于 0;{"amount": "12.5"} 里传了字符串,它也会尝试转成数字(可配置是否宽松),转不了再报错。它还支持嵌套模型、默认值、字段别名,以及给单个字段写自定义校验函数。

打个比方:Pydantic 模型像快递公司的标准箱和分拣线。你不需要自己一项项核对,只要把东西放进对应格子,尺寸不对、缺件、放错格子,分拣线当场拦下并贴一张单子:“第 3 格超重,第 5 格为空”。这张单子就是你排查问题的依据。

在 AI 场景里为什么到处都是它

大模型输出的是自由文本,而程序要的是确定结构。中间需要一层字段约定,Pydantic 正好适合做这层约定:

  • 定义结构化输出:把模型类当作“期望输出长什么样”的声明,工具链据此生成 JSON Schema 交给模型,模型返回后再用 Pydantic 解析。解析失败时,错误信息可以原样回喂给模型让它重试,这是很多 agent 框架的固定套路。
  • 校验工具参数:模型决定调用某个函数时,参数往往靠“猜”。先用 Pydantic 校验一遍,再决定真调还是让模型改,能挡掉大量脏参数。
  • 配置与 API 边界:读环境变量、解析外部接口返回值,都属于同一件事。

和相邻概念的区别

工具运行时会校验吗主要用途
类型注解(typing)不会,只做静态提示给编辑器和类型检查器看
dataclass不会,只是写法简洁轻量数据容器
TypedDict不会描述字典的形状
JSON Schema描述本身,需另配校验器跨语言的 schema 约定
Pydantic会,含类型转换与报错数据契约 + 解析 + 生成 Schema

一句话记法:dataclass 管“方便”,TypedDict 管“提示”,Pydantic 管“把关”;而 JSON Schema 是它的“输出物”,不是竞品。

对从业者和普通职场人的意义

对工程师:它把校验从“到处写 if 判断”变成“先声明再解析”,模型定义即接口文档;换字段时改动集中在一处。写 LLM 应用时,先设计 Pydantic 模型再写 prompt,往往比反过来更省事。

对非工程岗:它说明了一件事——让 AI 输出可用结构,关键不在提示词说得多恳切,而在有没有可执行的规则来检查。Pydantic 就是这条规则最常见的实现。具体 API 和写法请以官方文档页面为准。

AI 生成本文由 AI 基于公开信息自动生成,仅供参考。