Pydantic lança plataforma de desenvolvimento de agentes de IA, independente de modelos

Não sendo ofuscado pelos muitos anúncios de IA do AWS re:Invent esta semana, Pydantic, a equipe por trás da principal biblioteca de validação de dados em Python de código aberto, lançou PydanticAI, uma nova estrutura de agentes projetada para simplificar o desenvolvimento de aplicações de produção impulsionadas por grandes modelos de linguagem (LLMs).

Atualmente em beta, PydanticAI traz segurança de tipos, modularidade e validação para as mãos dos desenvolvedores que buscam criar fluxos de trabalho escaláveis impulsionados por LLMs. Assim como o código principal do Pydantic, ele é disponibilizado como código aberto sob a Licença MIT, o que significa que pode ser usado para aplicações comerciais e casos de uso corporativos, o que provavelmente o tornará atraente para muitas empresas — muitas delas já usam Pydantic, de qualquer maneira.

Já, nos dias desde o lançamento do PydanticAI em 2 de dezembro, a resposta inicial de desenvolvedores e da comunidade de machine learning/IA online tem sido amplamente positiva, pelo que eu observei.

Por exemplo, Dean “@codevore1” escreveu no X que o PydanticAI parecia “promissor!” apesar de estar em beta.

Alex Volkov, fundador e CEO do serviço de tradução de vídeos Targum, postou no X uma pergunta: “Uma espécie de concorrente do LangChain?”

O economista financeiro e quant Raja Patnaik também se manifestou no X para afirmar que “a nova estrutura de agentes do PydanticAI parece ótima. Parece ser um híbrido entre o instrutor do @jxnlco e o enxame do @OpenAI.”

Agentes como contêineres

No cerne do PydanticAI está sua arquitetura baseada em agentes. Cada agente atua como um contêiner para gerenciar interações com LLMs, definindo prompts do sistema, ferramentas e saídas estruturadas.

Os agentes permitem que os desenvolvedores agilizem a lógica da aplicação, compondo fluxos de trabalho diretamente em Python, permitindo uma mistura de instruções estáticas e entradas dinâmicas para conduzir interações.

A estrutura foi projetada para acomodar casos de uso simples e complexos, desde sistemas de um único agente até aplicações multi-agente que podem se comunicar e compartilhar estado.

Samuel Colvin, criador do Pydantic que foi lançado originalmente em 2017, aludiu a tais desenvolvimentos anteriormente, escrevendo no site do Pydantic: “Com o crescimento do Pydantic, agora estamos construindo outros produtos com os mesmos princípios — que as ferramentas mais poderosas podem ainda ser fáceis de usar.”

Principais características dos Agentes PydanticAI

Os agentes PydanticAI fornecem uma maneira estruturada e flexível de interagir com LLMs:

• Independentes do Modelo: Agentes podem trabalhar com LLMs como OpenAI, Gemini e Groq, com suporte da Anthropic planejado. Extender a compatibilidade para modelos adicionais é facilitado por uma interface simples.

• Prompts do Sistema Dinâmicos: Os agentes podem combinar instruções estáticas e geradas em tempo de execução, permitindo interações personalizadas com base no contexto da aplicação.

• Respostas Estruturadas: Cada agente impõe a validação das saídas do LLM usando modelos Pydantic, garantindo respostas seguras em termos de tipo e previsíveis.

• Ferramentas e Funções: Os agentes podem chamar funções ou recuperar dados conforme necessário durante a execução, facilitando a geração aumentada por recuperação e a tomada de decisões em tempo real.

• Injeção de Dependência: Um novo sistema de injeção de dependência suporta fluxos de trabalho modulares, simplificando a integração com bancos de dados ou APIs externas.

• Respostas em Stream: Os agentes lidam com saídas em stream com validação, tornando-os ideais para casos de uso que exigem feedback contínuo ou grandes saídas.

Casos de uso práticos em empresas

A estrutura de agentes permite que os desenvolvedores construam aplicações diversas com sobrecarga mínima. Por exemplo:

• Agentes de Suporte ao Cliente: Um agente de suporte bancário pode usar o PydanticAI para acessar dados de clientes de forma dinâmica, oferecer conselhos personalizados e avaliar níveis de risco por motivos de segurança. A injeção de dependência torna a conexão do agente a fontes de dados ao vivo perfeita.

• Jogos Interativos: Os desenvolvedores podem usar agentes para impulsionar experiências interativas, como jogos de dados ou questionários, onde as respostas são geradas dinamicamente com base na entrada do usuário e lógica pré-definida.

• Automação de Fluxos de Trabalho: Sistemas multi-agente podem ser implantados para tarefas de automação complexas, com agentes gerenciando papéis distintos e colaborando para completar tarefas.

Projetado para desenvolvedores

PydanticAI enfatiza a ergonomia do desenvolvedor e fluxos de trabalho nativos do Python:

• Controle em Python Puro: Ao contrário de outras estruturas, o PydanticAI não impõe uma nova camada de abstração para fluxos de trabalho. Os desenvolvedores podem contar com as melhores práticas do Python enquanto mantêm total controle sobre a lógica.

• Segurança de Tipo: Construído sobre o Pydantic, a estrutura assegura a correção do tipo e a validação em cada etapa, reduzindo erros e melhorando a confiabilidade.

• Integração Logfire: Ferramentas de monitoramento e depuração integradas permitem que os desenvolvedores acompanhem o desempenho do agente e ajustem o comportamento de forma eficiente.

Como uma versão beta inicial, a API do PydanticAI está sujeita a alterações, mas já mostra um forte potencial para transformar a maneira como os desenvolvedores constroem sistemas impulsionados por LLM. A equipe do Pydantic está buscando ativamente feedback da comunidade de desenvolvedores para refinar ainda mais a estrutura.

PydanticAI reflete a expansão da equipe em soluções alimentadas por IA, construindo sobre o sucesso da biblioteca Pydantic. Ao focar em agentes como a abstração central, a estrutura oferece uma maneira poderosa, mas acessível, de criar aplicações confiáveis e escaláveis com LLMs.