Machine Learning Mastery a montré comment construire des agents IA en Python avec Pydantic AI

Machine Learning Mastery a publié le 29 avril 2026 une analyse détaillée de Pydantic AI — un framework Python pour construire des agents IA avec typage, validation et outils intégrés. Le matériel montre comment transformer le travail avec les LLMs d'un ensemble de chaînes fragiles et de parseurs en un processus de production plus prévisible.

Pourquoi

Cela Compte L'idée principale de l'article est simple : la plupart des échafaudages d'agents ressemblent toujours à du glue code. Un modèle retourne une chaîne, un développeur espère qu'il y aura un JSON valide, puis analyse manuellement la réponse, capture les erreurs et ajoute la gestion des exceptions à chaque étape. Pydantic AI offre un chemin différent.

Au lieu de réponses non structurées, il construit des flux de travail autour de modèles Pydantic, de schémas, de vérification de types et de tentatives automatiques si la sortie du modèle ne correspond pas à la structure attendue. Pour les développeurs Python, cela signifie moins de magie et plus de code qui peut être testé, lu et maintenu. L'article démontre cela avec l'exemple le plus basique : un agent est créé en seulement quelques lignes, et le modèle est spécifié via un format de chaîne provider:model-name.

L'auteur utilise openai:gpt-4o-mini, mais souligne séparément que le même modèle fonctionne avec d'autres fournisseurs, notamment Anthropic et Gemini. Les instructions de l'agent sont définies une fois, après quoi vous pouvez exécuter un scénario synchrone via run_sync ou une variante asynchrone avec la même API. Cela maintient la barrière d'entrée basse et empêche l'architecture de s'effondrer aux premiers signes de complexité logique.

De

Quoi Se Compose l'Approche La partie la plus utile du matériel est l'analyse des quatre mécanismes qui sous-tendent le flux de travail pratique des agents en Pydantic AI. L'auteur ne se retire pas dans l'abstraction et ne décrit pas le framework au niveau des promesses : chaque bloc s'accompagne d'un bref exemple de code et d'une explication de la façon dont il résout un point de douleur spécifique du développement en production, sans théorie inutile. Le résultat est un article qui se lit comme une carte de l'ensemble minimal de solutions pour un premier agent fonctionnel en Python.

output_type force le modèle à retourner des données sous la forme d'un objet Python validé plutôt que du texte arbitraire. @agent.tool_plain transforme une fonction Python ordinaire en un outil que l'agent peut appeler lors du raisonnement.

deps_type et RunContext fournissent l'injection de dépendances sans état global et sans dépendances cachées. capabilities connectent des fonctionnalités supplémentaires comme WebSearch et Thinking sans surcharger le constructeur. L'auteur montre séparément comment cela se présente dans l'exemple d'extraction de données à partir d'une offre d'emploi.

Le développeur décrit un modèle JobPosting avec des champs comme le poste, l'entreprise, la liste des compétences, le niveau d'ancienneté et l'indicateur de travail à distance, et l'agent retourne un objet prêt au lieu de texte brut. Si un champ manque ou si le type ne correspond pas, le framework valide la réponse et réessaye avant que l'erreur ne se propage davantage dans l'application. Cela élimine la douleur typique de tous les systèmes où un LLM doit produire des données adaptées à une utilisation immédiate dans le code.

Comment

Cela Mène à la Production Le deuxième exemple majeur de l'article est consacré à l'appel d'outils. L'auteur prend une simple base de données de nutrition et enregistre une fonction qui retourne les calories, les protéines, les glucides et les lipides pour 100 grammes en fonction du nom d'un ingrédient. Ensuite, l'agent reçoit une demande comme l'analyse d'un plat, appelle l'outil pour chaque ingrédient, somme les valeurs et fournit le résultat sous la forme d'un modèle MealSummary.

La sortie n'est pas une réponse de chat en forme libre, mais un résumé structuré avec des chiffres totaux, un verdict sur la composition et une recommandation. Un détail important : la docstring de la fonction ici n'est pas cosmétique, mais fait partie du contrat par lequel le modèle comprend quand et pourquoi appeler l'outil. Encore plus importante est la section sur l'injection de dépendances.

Au lieu d'une base de données codée en dur, l'auteur enveloppe la source de données dans une classe NutritionService, puis la transmet à l'agent via deps et un RunContext typé. Cela rapproche beaucoup le code de l'opération réelle : le dictionnaire peut être remplacé par une base de données, un client API, une session utilisateur ou toute autre dépendance d'exécution. De plus, une testabilité appropriée apparaît.

Dans l'exemple, le service est facilement remplacé par un mock, et l'agent continue à fonctionner sans modification de sa logique principale. La couche finale est celle des capacités intégrées. L'article couvre au moins deux : WebSearch pour l'accès aux données actuelles d'Internet et Thinking pour un raisonnement étape par étape plus profond sur les tâches complexes.

Elles peuvent être combinées dans un agent, par exemple pour un assistant de recherche qui décide par lui-même ce qu'il faut chercher, puis obtient des résultats frais et formule ensuite sa réponse. À la fin, l'auteur mentionne séparément l'intégration avec Logfire pour l'observabilité : vous pouvez voir les appels de modèle, les déclenchements d'outils et les tentatives de revalidation.

Ce

Que Cela Signifie Le matériel de Machine Learning Mastery est utile car il déplace la conversation sur les agents IA du mode démo au mode de pratique d'ingénierie. Pydantic AI n'est pas présenté ici comme un autre wrapper autour d'un LLM, mais comme un moyen d'imposer la discipline dans les types, les dépendances et les outils. Pour les équipes Python, c'est un bon signal : les agents peuvent être construits sans un orchestrateur lourd s'ils s'appuient dès le départ sur des schémas validés, des contrats explicites et des composants d'exécution testables.