أوضحت Machine Learning Mastery كيفية بناء وكلاء ذكاء اصطناعي في Python باستخدام Pydantic AI

نشر موقع Machine Learning Mastery في 29 أبريل 2026 تحليلاً مفصلاً لـ Pydantic AI — إطار عمل Python لبناء وكلاء ذكيين مع التحقق من الأنواع والتحقق من الصحة والأدوات المدمجة. توضح المادة كيفية تحويل العمل مع نماذج اللغة الكبيرة من مجموعة من السلاسل والمحللات غير المستقرة إلى عملية إنتاجية أكثر قابلية للتنبؤ.

لماذا يهم هذا الفكرة الرئيسية للمقالة بسيطة: معظم أنظمة الوكلاء لا

تزال تبدو مثل رمز الغراء. يعود النموذج بسلسلة، والمطور يأمل أن يكون هناك JSON صحيح، ثم يقوم بتحليل الرد يدويًا ويمسك الأخطاء ويضيف معالجة الاستثناءات في كل خطوة. يقدم Pydantic AI طريقًا مختلفًا.

بدلاً من الردود غير المنظمة، فإنه يبني سير العمل حول نماذج Pydantic والمخططات والتحقق من الأنواع والمحاولات المتكررة التلقائية إذا لم يطابق إخراج النموذج البنية المتوقعة. بالنسبة لمطوري Python، هذا يعني رمزًا أقل سحرًا وأكثر يمكن اختباره وقراءته والحفاظ عليه. توضح المقالة هذا بأبسط مثال: يتم إنشاء وكيل في بضعة أسطر فقط، ويتم تحديد النموذج عبر تنسيق سلسلة provider:model-name.

يستخدم المؤلف openai:gpt-4o-mini، لكنه يؤكد بشكل منفصل أن نفس النمط يعمل مع مزودي خدمات آخرين، بما في ذلك Anthropic و Gemini. يتم تعيين تعليمات الوكيل مرة واحدة، وبعد ذلك يمكنك تشغيل سيناريو متزامن عبر run_sync أو متغير غير متزامن بنفس API. هذا يحافظ على حاجز الدخول منخفضًا ويمنع البنية من الانهيار عند أول علامة تعقيد منطقي.

مما يتكون النهج الجزء الأكثر فائدة من المادة هو تحليل أربع آليات تدعم سير عمل الوكيل العملي في

Pydantic AI. المؤلف لا ينسحب إلى التجريد ولا يصف الإطار على مستوى الوعود: يصحب كل كتلة مثال رمز قصير وشرح لكيفية حل نقطة ألم محددة في تطوير الإنتاج، بدون نظرية غير ضرورية. والنتيجة هي مقالة تُقرأ كخريطة لمجموعة الحد الأدنى من الحلول للوكيل الأول الذي يعمل في Python.

يفرض output_type على النموذج إرجاع البيانات في شكل كائن Python محقق منه بدلاً من نص عشوائي. @agent.tool_plain يحول دالة Python عادية إلى أداة يمكن للوكيل استدعاؤها أثناء التفكير.

توفر deps_type و RunContext حقن التبعية بدون حالة عامة أو تبعيات مخفية. تربط capabilities ميزات إضافية مثل WebSearch و Thinking بدون إثقال البناء. يوضح المؤلف بشكل منفصل كيف يبدو هذا في مثال استخراج البيانات من إعلان وظيفة.

يصف المطور نموذج JobPosting بحقول مثل الموضع والشركة وقائمة المهارات ومستوى الخبرة ومؤشر العمل عن بعد، ويعود الوكيل بكائن جاهز بدلاً من نص خام. إذا كان الحقل مفقودًا أو كان النوع غير متطابق، فإن الإطار يتحقق من الاستجابة ويحاول مرة أخرى قبل انتشار الخطأ إلى التطبيق. يزيل هذا الألم النموذجي لجميع الأنظمة حيث يجب أن ينتج LLM بيانات مناسبة للاستخدام الفوري في الكود.

كيف يؤدي هذا إلى الإنتاج المثال الرئيسي الثاني في المقالة مخصص

لاستدعاء الأدوات. يأخذ المؤلف قاعدة بيانات تغذية بسيطة ويسجل دالة تُرجع السعرات الحرارية والبروتينات والكربوهيدرات والدهون لكل 100 غرام لاسم المكون. ثم يتلقى الوكيل طلبًا مثل تحليل طبق، ويستدعي الأداة لكل مكون، ويجمع القيم، ويسلم النتيجة في شكل نموذج MealSummary.

المخرجات ليست ردًا للدردشة بشكل حر، بل ملخص منظم برقم إجمالي وحكم على التركيب وتوصية. تفصيل مهم: docstring للدالة هنا ليس تجميلًا، بل جزء من العقد الذي يفهم به النموذج متى ولماذا يستدعي الأداة. أكثر أهمية حتى هو القسم الخاص بحقن التبعية.

بدلاً من قاعدة بيانات مشفرة بشكل ثابت، يلتف المؤلف على مصدر البيانات في فئة NutritionService، ثم يمررها للوكيل عبر deps و RunContext مكتوب. هذا يجعل الكود أقرب بكثير للعملية الحقيقية: يمكن استبدال القاموس بقاعدة بيانات أو عميل API أو جلسة مستخدم أو أي تبعية وقت تشغيل أخرى. بالإضافة إلى ذلك، تظهر قابلية الاختبار المناسبة.

في المثال، يتم استبدال الخدمة بسهولة بـ mock، والوكيل يواصل العمل دون تغييرات في منطقه الأساسي. الطبقة الأخيرة هي القدرات المدمجة. تغطي المقالة اثنتين على الأقل: WebSearch للوصول إلى البيانات الحالية من الإنترنت و Thinking للتفكير خطوة بخطوة أعمق في المهام المعقدة.

يمكن دمجها في وكيل واحد، على سبيل المثال مساعد بحثي يقرر بنفسه ما الذي سيبحث عنه، ثم يحصل على نتائج طازجة ومن ثم يصيغ إجابته. في النهاية، يذكر المؤلف بشكل منفصل التكامل مع Logfire من أجل القابلية للمراقبة: يمكنك رؤية استدعاءات النموذج وتشغيلات الأداة وملاولات إعادة التحقق.

ماذا يعني هذا مادة

Machine Learning Mastery مفيدة لأنها تحول النقاش حول وكلاء الذكاء الاصطناعي من وضع العرض التوضيحي إلى وضع الممارسة الهندسية. لا يُعرض Pydantic AI هنا كغلاف آخر فوق نموذج لغة كبير، بل كطريقة لفرض الانضباط في الأنواع والتبعيات والأدوات. بالنسبة لفريق Python، هذه علامة جيدة: يمكن بناء الوكلاء بدون منسق ثقيل إذا اعتمدوا من البداية على المخططات المحققة والعقود الصريحة ومكونات وقت التشغيل القابلة للاختبار.