Machine Learning Mastery mostró cómo construir agentes de IA en Python con Pydantic AI

Machine Learning Mastery publicó el 29 de abril de 2026 un análisis detallado de Pydantic AI — un framework Python para construir agentes de IA con type-hinting, validación y herramientas integradas. El material muestra cómo transformar el trabajo con LLMs de un conjunto de strings frágiles y parsers en un proceso de producción más predecible.

Por

Qué Esto Importa La idea principal del artículo es simple: la mayoría de los scaffolds de agentes aún se parecen a glue code. Un modelo devuelve una string, un desarrollador espera que haya JSON válido, luego analiza manualmente la respuesta, captura errores y agrega manejo de excepciones en cada paso. Pydantic AI ofrece un camino diferente.

En lugar de respuestas no estructuradas, construye flujos de trabajo alrededor de modelos Pydantic, schemas, verificación de tipos y reintentos automáticos si la salida del modelo no coincide con la estructura esperada. Para desarrolladores de Python, esto significa menos magia y más código que puede ser probado, leído y mantenido. El artículo demuestra esto con el ejemplo más básico: un agente se crea en apenas algunas líneas, y el modelo se especifica mediante un formato de string provider:model-name.

El autor usa openai:gpt-4o-mini, pero enfatiza por separado que la misma plantilla funciona con otros proveedores, incluidos Anthropic y Gemini. Las instrucciones del agente se establecen una vez, después de lo cual puede ejecutar un escenario síncrono a través de run_sync o una variante asíncrona con la misma API. Esto mantiene la barrera de entrada baja e impide que la arquitectura se desmorone ante la primera complejidad lógica.

De

Qué Consta el Enfoque La parte más útil del material es el análisis de cuatro mecanismos que sustentan el flujo de trabajo práctico del agente en Pydantic AI. El autor no se retira a la abstracción ni describe el framework a nivel de promesas: cada bloque va acompañado de un breve ejemplo de código y una explicación de cómo resuelve un punto específico de dolor en el desarrollo de producción, sin teoría innecesaria. El resultado es un artículo que se lee como un mapa del conjunto mínimo de soluciones para un primer agente funcional en Python.

output_type obliga al modelo a devolver datos en forma de objeto Python validado en lugar de texto arbitrario. @agent.tool_plain convierte una función Python ordinaria en una herramienta que el agente puede llamar durante el razonamiento.

deps_type y RunContext proporcionan inyección de dependencias sin estado global ni dependencias ocultas. capabilities conectan características adicionales como WebSearch y Thinking sin sobrecargar el constructor. El autor muestra por separado cómo se ve en el ejemplo de extracción de datos de una oferta de empleo.

El desarrollador describe un modelo JobPosting con campos como puesto, empresa, lista de habilidades, nivel de antigüedad e indicador de trabajo remoto, y el agente devuelve un objeto listo en lugar de texto bruto. Si falta un campo o el tipo no coincide, el framework valida la respuesta e intenta nuevamente antes de que el error se propague más en la aplicación. Esto elimina el dolor típico de todos los sistemas donde un LLM debe proporcionar datos adecuados para uso inmediato en código.

Cómo Esto Lleva a Producción El segundo ejemplo principal en el artículo se dedica a tool calling.

El autor toma una base de datos de nutrición simple y registra una función que devuelve calorías, proteínas, carbohidratos y grasas por 100 gramos para un nombre de ingrediente. Luego el agente recibe una solicitud como analizar un plato, llama la herramienta para cada ingrediente, suma los valores y entrega el resultado en forma de modelo MealSummary. La salida no es una respuesta de chat en forma libre, sino un resumen estructurado con cifras totales, un veredicto sobre composición y una recomendación.

Un detalle importante: el docstring de la función aquí no es cosmético, sino parte del contrato mediante el cual el modelo entiende cuándo y por qué llamar a la herramienta. Aún más importante es la sección sobre inyección de dependencias. En lugar de una base de datos codificada, el autor envuelve la fuente de datos en una clase NutritionService y la pasa al agente a través de deps y un RunContext tipado.

Esto acerca mucho el código a la operación real: la base de datos puede reemplazarse por un cliente de API, una sesión de usuario o cualquier otra dependencia de tiempo de ejecución. Además, surge una testabilidad adecuada. En el ejemplo, el servicio se reemplaza fácilmente por un mock y el agente continúa funcionando sin cambios en su lógica principal.

La capa final son las capacidades integradas. El artículo abarca al menos dos: WebSearch para acceso a datos actuales de Internet y Thinking para razonamiento paso a paso más profundo en tareas complejas. Pueden combinarse en un agente, por ejemplo para un asistente de investigación que decide por sí solo qué buscar, luego obtiene resultados frescos y solo entonces formula una respuesta.

Al final, el autor menciona por separado la integración con Logfire para observabilidad: puede ver llamadas de modelo, disparadores de herramientas e intentos de revalidación.

Qué

Significa Esto El material de Machine Learning Mastery es útil porque desplaza la conversación sobre agentes de IA del modo demo al modo de práctica de ingeniería. Pydantic AI se muestra aquí no como otro wrapper sobre un LLM, sino como una forma de imponer disciplina en tipos, dependencias y herramientas. Para equipos de Python, esta es una buena señal: los agentes se pueden construir sin un orquestrador pesado si se basan desde el principio en schemas validados, contratos explícitos y componentes de tiempo de ejecución comprobables.