1.7 KiB
1.7 KiB
source_url, ingested
| source_url | ingested |
|---|---|
| https://mp.weixin.qq.com/s/jg6lW3ObZooBsrWTGwIcRg | 2026-06-10 |
用了两年 Pydantic，我只碰了三分之一
微信公众号文章 | 2026年 拆解 Pydantic 生态三件套：pydantic-core (Rust 验证引擎) + Logfire (OTel 可观测) + Pydantic AI (类型安全 Agent 框架)
核心观点
Pydantic 不是校验库——是一个由三层组成的生态：
- pydantic-core (Rust)：校验速度 / 脱离 GIL / 多线程并发
- Logfire (OTel)：可观测性 / 成本监控 / 漂移检测
- Pydantic AI：Agent 行为约束 / 类型安全的 tool 调用
关键洞察
- 数据源变了：2018 年校验的是人填的表单（错误模式稳定），2026 年校验的是 LLM 生成的 JSON（错误模式漂移）
- 从"校验"到"可观测"：不能只看单次报错，要看趋势——哪些字段在漂移、哪个模型输出最不稳定、token 成本是否在涨
- 工厂质检类比：手工抽检（V1）→ 传送带自动扫描（strict=True）→ IoT 传感器 + 实时看板（三件套全开）
- TypeAdapter：同一份数据，不同严格度——API 入口用 strict，Agent 内部传递用宽松
- strict/forbid/frozen 三配置零成本：不需要装新包，只改 model_config
- 类型从"报错器"变"编译器"：Pydantic AI 的类型系统在运行时之前就约束了 Agent 的行为空间
- 诚实边界：只做 API 校验 → 继续用 pydantic；排障靠 print → 加 Logfire；5+ tool Agent → 考虑 Pydantic AI
渐进路线图
- 今天：所有 BaseModel 加 strict + forbid + validate_default
- 这周（如有 Agent）：装 Logfire，4 行代码
- 下次新 Agent 项目：tool > 3 时用 Pydantic AI