Pydantic AI: un framework Python d'agents signé par l'équipe Pydantic
AI Agent Framework, à la manière de Pydantic. Pourtant, malgré pratiquement tous les frameworks d'agents Python et bibliothèques LLM utilisant Pydantic Validation, lorsque nous avons commencé à utiliser les LLM dans Pydantic Logfire, nous n'avons rien trouvé qui nous donnait le même sentiment.
En bref
- De quoi s’agit-il ?
- Un framework d'agents indépendant du modèle, qui place la validation Pydantic, les annotations de type et l'injection de dépendances au cœur du développement d'applications d'IA générative.
- À qui s’adresse-t-il ?
- Pydantic AI est un framework Python en développement actif, avec 19 064 étoiles et 2 482 forks au moment de la rédaction. Le README le présente comme la façon dont l'équipe Pydantic veut apporter la sensation de FastAPI à l'IA générative.
- Puis-je l’utiliser commercialement ?
- Oui. MIT est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Le dépôt a reçu de nouveaux commits au cours des dernières 24 heures.
- En quel langage est-il écrit ?
- Principalement Python, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Pourquoi ce framework existe
Le README commence par une comparaison avec FastAPI: FastAPI a transformé le développement web grâce à un design innovant et ergonomique, fondé sur la validation Pydantic et les annotations de type modernes de Python. L'équipe Pydantic écrit que, même si presque tous les frameworks d'agents Python et les bibliothèques LLM utilisent la validation Pydantic, elle n'a rien trouvé qui procure la même sensation en commençant à utiliser des LLM dans Pydantic Logfire. Pydantic AI a été construit dans le but déclaré d'apporter cette sensation FastAPI au développement d'applications et d'agents d'IA générative. Le dépôt décrit le projet comme un framework d'agents Python conçu pour aider à construire rapidement, avec confiance et sans peine, des applications et des workflows de qualité production avec l'IA générative.
Support des modèles et modèles personnalisés
Le framework est décrit comme indépendant du modèle. Le README énumère le support d'OpenAI, Anthropic, Gemini, DeepSeek, Grok, Cohere, Mistral et Perplexity, ainsi que des fournisseurs comme Azure AI Foundry, Amazon Bedrock, Google Cloud, Ollama, LiteLLM, Groq, OpenRouter, Together AI, Fireworks AI, Cerebras, Hugging Face, GitHub, Heroku, Vercel, Nebius, OVHcloud, Alibaba Cloud, SambaNova et Z.AI. Pour tout ce qui ne figure pas dans la liste, la documentation explique comment implémenter un modèle personnalisé. Le README ne précise pas combien de temps cette liste restera à jour ni quelles versions de chaque fournisseur sont supportées; ces détails sont à vérifier dans la documentation.
Sécurité des types et injection de dépendances
Les exemples d'agents du README montrent un Agent générique paramétré par le type de dépendances et le type de sortie. Une dataclass nommée SupportDependencies transmet données et connexions au modèle, et un BaseModel Pydantic nommé SupportOutput définit la structure de sortie garantie. Les instructions dynamiques et les outils reçoivent leurs dépendances via un argument RunContext; le décorateur tool enregistre des fonctions que le LLM peut appeler, et Pydantic valide les arguments des outils, en renvoyant les erreurs au LLM pour qu'il réessaie. Les vérificateurs de types statiques peuvent détecter les incohérences de types de dépendances au moment de l'écriture, ce que le README compare à la sensation Rust selon laquelle si cela compile, cela fonctionne.
Capacités composables et définitions d'agents
Le README décrit la construction d'agents à partir de capacités composables qui regroupent outils, hooks, instructions et réglages de modèle en unités réutilisables. Les capacités intégrées couvrent la recherche web, la réflexion et le Model Context Protocol. Il existe aussi une bibliothèque de capacités nommée Pydantic AI Harness, et des paquets de capacités tiers peuvent être installés. Les agents peuvent être définis entièrement en YAML ou JSON, sans code. Le README ne liste pas le contenu de la bibliothèque Harness ni les paquets tiers; il faut consulter la documentation liée.
Observabilité, évaluations et exécution durable
Le framework s'intègre étroitement à Pydantic Logfire, décrit comme une plateforme d'observabilité OpenTelemetry généraliste, pour le débogage en temps réel, le suivi de performance basé sur les évaluations, ainsi que le traçage des comportements et le suivi des coûts. Si vous disposez déjà d'une plateforme compatible OTel, le README indique qu'elle peut être utilisée. La fonction d'évaluations permet de tester et d'évaluer systématiquement la performance et la précision des systèmes d'agents, puis de suivre cette performance dans le temps avec Logfire. Le README décrit aussi l'exécution durable: les agents peuvent conserver leur progression à travers des pannes API transitoires, des erreurs applicatives ou des redémarrages, pour des workflows longs, asynchrones et avec intervention humaine.
Sorties en streaming, graphes et approbation humaine
Les sorties en streaming permettent de diffuser en continu une sortie structurée, avec validation immédiate. Les graphes offrent une façon de définir des applications complexes à l'aide d'annotations de type, là où un flux de contrôle standard pourrait dégénérer en code spaghetti. L'approbation humaine des outils permet de marquer certains appels d'outils comme devant être approuvés avant de se poursuivre, éventuellement selon les arguments, l'historique de conversation ou les préférences de l'utilisateur. Le README mentionne également l'intégration du Model Context Protocol et de diverses normes de flux d'événements UI pour donner aux agents accès à des outils et données externes et construire des applications interactives avec communication par événements en streaming.
Pour commencer et l'écosystème environnant
Le README renvoie vers les instructions d'installation, des exemples, la documentation complète et une référence API, et invite à poser des questions via Slack ou les issues GitHub. Il positionne Pydantic AI comme faisant partie du Pydantic Stack, aux côtés de Pydantic Logfire pour l'observabilité orientée IA et du Logfire AI Gateway, décrit comme un proxy LLM unifié. Les métadonnées du dépôt indiquent 19 064 étoiles, 2 482 forks et 636 issues ouvertes au moment de la rédaction. Le projet est distribué sous licence MIT, qui accorde le droit d'utiliser, copier, modifier, fusionner, publier, distribuer, sous-licencier et vendre des copies, et déclare que le logiciel est fourni sans garantie.
Contrôle pratique de pydantic-ai
Un essai utile commence par `uv add pydantic-ai`, un `Agent` et un appel `agent.run()` avec le modèle réellement choisi. Vérifier le type de sortie Pydantic, les outils autorisés et les traces Logfire ; la configuration du fournisseur et les limites de contexte doivent rester explicites dans le code du projet.
Conclusion éditoriale
Pydantic AI est un framework Python en développement actif, avec 19 064 étoiles et 2 482 forks au moment de la rédaction. Le README le présente comme la façon dont l'équipe Pydantic veut apporter la sensation de FastAPI à l'IA générative. La licence MIT autorise une utilisation libre mais ne garantit rien. Les versions de modèles exactement prises en charge, le contenu de la bibliothèque Harness et le détail des normes de flux d'événements UI restent à vérifier dans la documentation.
Notes de la communauté