Pydantic AI Review: Funciones, Structured Outputs, Alternativas

De Pydantic a Pydantic AI

¿Qué es Pydantic AI?

• Salidas estructuradas y validadas: defina un output_type como un modelo de Pydantic (o un tipo simple de Python), y Pydantic AI valida la respuesta del modelo frente a él en tiempo de ejecución, reintentando automáticamente si falla la validación
• Inyección de dependencias: pase un objeto deps con tipos — una conexión de base de datos, un cliente HTTP, una clave de API o un doble de prueba — a las instrucciones de sistema y herramientas de un agente, facilitando las pruebas unitarias del código del agente sin llamadas de red reales
• Diseño agnóstico del modelo: la documentación describe soporte para «prácticamente todos los modelos y proveedores» — entre otros, OpenAI, Anthropic, Google (Gemini), AWS Bedrock, Azure AI Foundry, Groq, Mistral, xAI y Ollama —, con un cambio de proveedor que equivale a casi una sola línea de código
• Llamadas a herramientas: registre una función de Python como herramienta con un decorador, y Pydantic AI genera automáticamente el esquema JSON de la herramienta a partir de las anotaciones de tipo y el docstring de la función
• Streaming: los agentes pueden transmitir salida estructurada parcial a medida que se genera, no solo tokens de texto sin procesar
• Ejecución duradera (extra opcional): una integración con Temporal, instalable mediante `pip install "pydantic-ai[temporal]"`, permite que flujos de trabajo de agentes de larga duración sobrevivan a reinicios de proceso
• Observabilidad (opcional, producto separado): Pydantic Logfire, construido por el mismo equipo sobre OpenTelemetry, añade trazabilidad, depuración y seguimiento de costos para las ejecuciones de agentes — no es necesario para usar Pydantic AI

pip install pydantic-ai

# Ejemplo mínimo: un agente con tipos seguros y salida validada
from pydantic import BaseModel
from pydantic_ai import Agent

class CityInfo(BaseModel):
    city: str
    country: str
    population: int

agent = Agent('openai:gpt-4o', output_type=CityInfo)
result = agent.run_sync('Tell me about the capital of France.')
print(result.output)  # CityInfo(city='Paris', country='France', population=...)

¿Cuánto cuesta Pydantic AI?

• Pydantic AI (el framework de código abierto): gratuito para siempre bajo la licencia MIT, autoalojado, sin límites de uso, sin cuenta requerida para ejecutarlo
• Sin producto alojado ni suscripción para el framework en sí: es una biblioteca que usted importa y ejecuta por su cuenta
• Costo opcional: tarifas de API del proveedor de LLM configurado (por ejemplo, precios por token de un modelo en la nube) si conecta un backend en la nube en lugar de uno servido localmente vía Ollama u otro endpoint compatible con OpenAI
• Producto complementario opcional: la observabilidad de Pydantic Logfire tiene un nivel Personal gratuito (10 millones de spans/registros al mes, 1 asiento, 3 proyectos, retención de 30 días, sin tarjeta de crédito requerida) y planes de pago Team (49 $/mes, 5 asientos, 5 proyectos, 10 M de spans incluidos, 2 $ por millón de spans de exceso) y Growth (249 $/mes, asientos y proyectos ilimitados), vigentes bajo una estructura de precios aplicada desde el 1 de enero de 2026

¿Cómo instalar y empezar con Pydantic AI?

1. 1
   Instale el paquete: pip install pydantic-ai.
2. 2
   Para la ejecución duradera opcional, instale el extra de Temporal: `pip install "pydantic-ai[temporal]"`.
3. 3
   Configure un proveedor de LLM — por ejemplo, una cadena de modelo de OpenAI, Anthropic o Google, o un endpoint compatible con OpenAI servido localmente como Ollama — a través del identificador de modelo pasado a Agent(...).
4. 4
   Defina la salida esperada del agente como un BaseModel de Pydantic (o un tipo simple de Python) y páselo como output_type al construir el Agent.
5. 5
   Opcionalmente, registre herramientas con el decorador @agent.tool y declare un objeto deps con tipos para la inyección de dependencias en las instrucciones de sistema y las herramientas.
6. 6
   Llame a agent.run_sync(...) o al asíncrono agent.run(...) para ejecutar el agente y recibir un resultado validado y con tipos.
7. 7
   Consulte la documentación de Pydantic AI para la guía completa de patrones multiagente, streaming y la integración opcional con Logfire.

¿Para quién es Pydantic AI?

¿Cuándo NO debería usar Pydantic AI?

• Una tarea que necesita que varios agentes conversen y dividan el trabajo — un framework de orquestación multiagente como CrewAI, AutoGen o CAMEL modela ese patrón de forma más directa que un solo agente con tipos seguros
• Un equipo que necesita un constructor de flujos de trabajo visual y sin código — Pydantic AI es code-first, sin interfaz de arrastrar y soltar
• Una tarea en la que la salida de texto sin procesar del modelo realmente basta tal cual (por ejemplo, escritura creativa abierta) — la maquinaria de validación aporta poco valor cuando no hay un esquema objetivo contra el cual validar
• Un flujo de trabajo cuya preocupación principal es un estado explícito, persistente y ramificado a lo largo de muchos pasos, más que la forma de salida de un solo agente — un framework basado en grafos como LangGraph modela eso más directamente
• Use Pydantic AI en su lugar específicamente cuando la tarea se beneficia de un contrato validado y con tipos entre el LLM y el resto de su aplicación, o cuando ya está invertido en el ecosistema de Pydantic

Pydantic AI vs. Alternativas

Comparar en el directorio→

Errores comunes al evaluar Pydantic AI

Preguntas frecuentes

Fuentes

Lecturas relacionadas

• Reseña de LangChain: Funciones, Precios, Alternativas — la opción genérica por defecto para aplicaciones LLM en Python, con un ecosistema de integración más amplio que el enfoque centrado en validación de Pydantic AI.
• Reseña de Semantic Kernel: Funciones, Precios, Alternativas — el SDK de orquestación estructurado y con tipos de Microsoft en C#, Python y Java, la comparación multilenguaje más cercana para equipos que sopesan una filosofía con tipos similar.
• Reseña de DSPy: Funciones, Optimizadores, Alternativas — un framework nativo de Python que programa y optimiza prompts y pesos, resolviendo un problema distinto al de la validación de salidas de Pydantic AI.
• Reseña de CAMEL: Funciones, Role-Playing, Alternativas — un framework de role-playing multiagente, para equipos que necesitan específicamente varios agentes coordinándose en lugar de un solo agente validado.
• Local LLM Software Directory — el catálogo completo de herramientas de IA local al que pertenece este artículo, incluyendo dónde encaja Pydantic AI entre los frameworks de agentes.