PydanticAI：用类型约束 Agent 边界

类型化依赖、工具参数和输出能提前暴露错误。

问题背景

生成式模型擅长处理模糊语言和提出候选方案，却不天然保证状态一致、权限正确或动作可恢复。讨论“PydanticAI：用类型约束 Agent 边界”时，重点不应只是跑通演示，而是系统失败后是否知道发生了什么、能否安全继续，以及结果能否重复验证。

设计方案

deps 注入客户端，RunContext 读取依赖，工具参数生成 schema，输出校验。

在“PydanticAI 类型边界”进入实现前，先标注输入来源、调用身份和数据等级；输出通过结构与领域校验后才允许进入下一步。涉及外部副作用时，执行记录必须包含稳定业务键和脱敏证据。

实施产物：PydanticAI 类型边界

用模型定义依赖与结构化输出；validator 执行业务约束；工具参数保持窄接口；校验失败进入受限重试。先在测试环境保存一条完整运行证据，再接入真实写操作；每次变更都必须能定位到配置、代码和数据版本。

@dataclass(frozen=True)
class PythonPydanticaiPolicy:
    timeout_s: int = 30
    max_attempts: int = 2

async def python_pydanticai(request, policy):
    async with asyncio.timeout(policy.timeout_s):
        return await execute_validated(request)

示例只表达边界，不是可直接复制的完整框架配置。落地时应使用当前依赖版本的官方 API，并把超时、身份和审计接到现有基础设施。

实施步骤

选一个可回放的小任务，写清输入、成功条件和禁止发生的副作用。
实现“PydanticAI 类型边界”，把模型建议与真正执行隔离。
人工走通成功、拒绝和恢复三条路径，保存 run_id 与关键事件。
加入自动化回归，再用小比例非关键流量观察指标。
达到门槛后逐步放量；任一安全约束失败立即停止新任务并回退版本。

失败演练与验收

首要反例是：类型通过就当作业务正确。不要只验证顺利完成；还要注入超时、重复请求、取消、无权限输入和依赖返回畸形数据。

本篇的硬性验收是：生成越界金额、未知资源和缺字段输出，均不得进入执行器。同时记录 首次校验通过率、受限重试次数、越界拦截数。验收脚本应按结构化字段判定，不以“回答看起来合理”代替测试。

上线与回滚

“PydanticAI 类型边界”上线前要固定模型、提示、规则、工具 schema 与数据版本，并用影子或灰度流量比较旧版。若 首次校验通过率、受限重试次数、越界拦截数 越过门槛，先停止新 Run，再处理在途任务，恢复旧组合后逐项核对未决副作用。

适用边界

当场景是“自由写作输出”时，这套设计的维护成本通常高于收益。权限、金额、删除和一致性约束始终交给确定性代码，不能交给模型自行判断。

类型化结果只是第一道门

校验层	例子
Pydantic 结构	字段、枚举、长度、数值范围
领域	金额余额、资源状态、时间窗口
权限	当前身份能否操作对象
并发	expected_version 是否仍匹配
策略	是否需要审批/禁止动作

模型输出解析失败可以做少量受预算重试，并把精确字段错误反馈给模型；领域或权限拒绝通常不应靠重试“说服”校验器。输出模型中不接受 tenant、owner 等权威字段，执行器从可信上下文补齐。

依赖对象通过 Run scoped context 注入，包含身份、deadline、只读 repository 与遥测，不能放可变全局。工具返回领域 DTO，不把 ORM 对象、秘密或内部异常暴露给模型。外部写入先形成 action model 和 hash，审批后执行器重新解析与核对。

测试让模型返回字符串数字、未知 enum、超界金额、合法但越权 ID 和审批后旧版本资源。分别断言是受限重试、立即拒绝还是 stale plan；记录首次解析率很有用，但最终硬约束违规必须为零。

第二轮实践复核

围绕“PydanticAI 类型边界”建立一个不接触生产数据的最小项目，固定运行时、框架、模型、提示、规则和工具 schema 版本。正文代码块若缺少完整依赖、导入或领域类型，应视为架构伪代码；只有放入示例仓库并通过下述命令的代码才标记为可运行。

项目验证：python -m pytest -q
回归夹具：把输入、结构化输出、工具轨迹和副作用记录为 JSON，用固定版本执行正常、拒绝、超时、取消与重复请求五组回归样本。
必留证据：run_id、版本组合、终止原因、动作幂等键，以及 首次校验通过率、受限重试次数、越界拦截数。
通过条件：未批准写操作为零副作用；相同幂等键重复执行只产生一个业务结果；超时或恢复后状态可解释。
失败处理：先停新任务，再核对在途动作；回滚模型、提示、规则、工具与状态迁移的完整组合，不能只换回模型。

复用顺序

为“PydanticAI：用类型约束 Agent 边界”建立确定性假工具，先跑契约与失败用例，不接触真实凭据。
围绕“PydanticAI 类型边界”接入只读能力，核对权限裁剪、脱敏字段和 Trace 完整性。
需要写能力时先输出 dry-run 差异，再绑定审批结果与一次性动作哈希。
以本文验收指标比较影子流量；达到门槛才放量，越线立即执行文中的组合回滚。

实践与资料复核日期：2026-08-22；框架 API 以锁定版本的官方文档为准。

参考资料

官方文档

框架 API 会持续演进，复制示例前应再次确认当前版本。可持续的 AI 工程不依赖某个模型偶尔表现出色，而依赖清晰契约、可靠 Harness 与可重复验证。