Machine Learning Mastery muestra cómo crear agentes de IA en Python con Pydantic AI

El 29 de abril de 2026, Machine Learning Mastery publicó un análisis detallado de Pydantic AI, un framework de Python para crear agentes de IA con tipado, validación y herramientas integradas. El artículo muestra cómo pasar de trabajar con LLM mediante cadenas de texto y parsers frágiles a un proceso de producción más predecible.

Por qué importa

La idea central del artículo es sencilla: la mayoría de las infraestructuras de agentes sigue pareciéndose a glue code. El modelo devuelve una cadena, el desarrollador confía en que contenga un JSON correcto, después analiza la respuesta a mano, captura errores y añade excepciones en cada paso.

Pydantic AI propone otro camino. En lugar de respuestas sin estructura, trabaja con modelos Pydantic, esquemas, comprobación de tipos y reintentos automáticos si la salida del modelo no se ajusta a la estructura esperada. Para los desarrolladores de Python, esto significa menos magia y más código que se puede probar, leer y mantener.

El artículo lo demuestra desde el ejemplo más básico: el agente se crea en pocas líneas y el modelo se indica con una cadena con el formato provider:model-name. El autor usa openai:gpt-4o-mini, pero subraya que el mismo patrón funciona con otros proveedores, como Anthropic y Gemini. Las instrucciones del agente se definen una sola vez y después se puede ejecutar una llamada síncrona con run_sync o una variante asíncrona con la misma API. Así la barrera de entrada sigue siendo baja y la arquitectura no se desmorona en cuanto la lógica se complica.

En qué consiste el enfoque

La parte más útil del texto es el desglose de los cuatro mecanismos sobre los que se apoya el flujo de trabajo práctico de agentes en Pydantic AI. El autor no se pierde en abstracciones ni describe el framework a base de promesas: cada bloque va acompañado de un ejemplo de código breve y de una explicación de qué problema concreto de producción resuelve, 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 los datos como un objeto Python validado, no como texto libre.
• @agent.tool_plain convierte una función normal de Python en una herramienta que el agente puede invocar durante su razonamiento.
• deps_type y RunContext ofrecen inyección de dependencias sin estado global ni dependencias ocultas.
• capabilities añaden funciones extra como WebSearch y Thinking sin sobrecargar el constructor.

Además, el autor muestra cómo se aplica a la extracción de datos de una oferta de empleo. El desarrollador describe un modelo JobPosting con campos como puesto, empresa, lista de habilidades, nivel de seniority e indicador de trabajo remoto, y el agente devuelve un objeto ya listo en lugar de texto en bruto. Si falta un campo o un tipo no coincide, el framework valida la respuesta y lo intenta de nuevo antes de que el error llegue al resto de la aplicación. Así se elimina el problema típico de todo sistema en el que un LLM debe entregar datos utilizables de inmediato en el código.

Cómo lleva a producción

El segundo gran ejemplo del artículo trata del tool calling. El autor toma una base de datos nutricional sencilla y registra una función que, a partir del nombre de un ingrediente, devuelve calorías, proteínas, carbohidratos y grasas por cada 100 gramos. Después el agente recibe una petición, como analizar un plato, llama por sí mismo a la herramienta para cada ingrediente, suma los valores y entrega el resultado como un modelo MealSummary.

La salida no es una respuesta de chat libre, sino un resumen estructurado con cifras totales, un veredicto sobre la composición y una recomendación. Un detalle importante: el docstring de la función no es cosmético, sino parte del contrato con el que el modelo entiende cuándo y para qué invocar la herramienta.

Más importante aún es el bloque sobre inyección de dependencias. En lugar de un diccionario fijo en el código, el autor encapsula la fuente de datos en una clase de servicio, NutritionService, y la pasa al agente mediante deps y un RunContext tipado. Esto acerca el código mucho más a un entorno real: en lugar del diccionario puede haber una base de datos, un cliente de API, una sesión de usuario o cualquier otra dependencia de ejecución. Además, mejora la capacidad de prueba. En el ejemplo, el servicio se sustituye fácilmente por un mock y el agente sigue funcionando sin cambios en su lógica principal.

La capa final son las capabilities integradas. El artículo analiza al menos dos: WebSearch, para acceder a datos actuales de internet, y Thinking, para un razonamiento paso a paso más profundo en tareas complejas. Se pueden combinar en un mismo agente, por ejemplo en un asistente de investigación que decide qué buscar, obtiene resultados recientes y solo entonces elabora la respuesta. Al final, el autor señala la integración con Logfire para observabilidad: permite ver las llamadas al modelo, la activación de herramientas y los reintentos de validación.

Qué significa

El texto de Machine Learning Mastery resulta útil porque traslada la conversación sobre agentes de IA del modo demo a la práctica de ingeniería. Pydantic AI se presenta no como otra envoltura más sobre un LLM, sino como una forma de imponer disciplina en tipos, dependencias y herramientas. Para los equipos de Python es una buena señal: se pueden construir agentes sin un orquestador pesado si desde el principio se apoyan en esquemas validables, contratos explícitos y componentes de ejecución comprobables.