Pydantic AIでPythonでAIエージェントを構築する

このチュートリアルでは、Pydantic AIを使用してPythonで本番環境対応のAIエージェントを構築する方法を解説します。Pydantic AIは、強い型付け、検証、明確な構造をエージェント開発にもたらし、信頼性と保守性を向上させます。

なぜPydantic AIか？

LLMを直接呼び出すと応答は文字列であり、構造化オブジェクトへの解析が必要でエラーが発生しやすいです。Pydantic AIは以下の方法で解決します：型安全な構造化出力（BaseModelを定義し、フレームワークが自動検証・リトライ）；関数ツール（Python関数を登録し、LLMが型ヒントとdocstringから呼び出しを判断）；依存性注入（RunContextを介して実行時依存性を注入し、グローバル状態を回避）。

前提条件

Python 3.9+、Pydantic BaseModelと型ヒントの知識、LLMプロンプトの基本理解、サポートプロバイダのAPIキー（本チュートリアルではopenai:gpt-4o-miniを使用）。

インストール

仮想環境を作成しインストール：

python -m venv venv
source venv/bin/activate
pip install pydantic-ai

APIキーを設定（例：export OPENAI_API_KEY=...）。

最初のエージェント

数行で作成可能：

from pydantic_ai import Agent
agent = Agent(
    "openai:gpt-4o-mini",
    instructions="You are a concise assistant."
)
result = agent.run_sync("What is a large language model?")
print(result.output)

モデル文字列は"provider:model-name"形式。

構造化検証出力

出力モデルを定義：

from pydantic import BaseModel, Field
class JobPosting(BaseModel):
    job_title: str
    company_name: str
    required_skills: list[str]
    seniority_level: str
    is_remote: bool

エージェント作成時にoutput_typeを設定：

agent = Agent(
    "openai:gpt-4o-mini",
    output_type=JobPosting,
    instructions="Extract structured job posting information."
)
result = agent.run_sync("...")
posting = result.output

フレームワークが自動検証し、エラー時にリトライ。

ツールの追加

ツールで外部データにアクセス。例：栄養データベース：

NUTRITION_DB = {"chicken breast": {...}, ...}
class MealSummary(BaseModel):
    total_calories: int
    total_protein_g: float
    # ...
@agent.tool_plain
def get_ingredient_nutrition(ingredient: str) -> str:
    """100gあたりの栄養情報を検索"""
    data = NUTRITION_DB.get(ingredient.lower().strip())
    if data:
        return json.dumps({"ingredient": ingredient, **data})
    return f"Not found."

エージェントがツールを呼び出し、構造化されたMealSummaryを返す。

依存性注入

データソースをサービスラスにラップ：

@dataclass
class NutritionService:
    database: dict
    def lookup(self, ingredient: str) -> dict | None:
        return self.database.get(ingredient.lower().strip())

エージェントのdeps_typeを宣言し、ツールでRunContextを使用：

agent = Agent(
    "openai:gpt-4o-mini",
    output_type=MealSummary,
    deps_type=NutritionService,
    instructions="Use tools to compute meal totals."
)
@agent.tool
def get_ingredient_nutrition(ctx: RunContext[NutritionService], ingredient: str) -> str:
    data = ctx.deps.lookup(ingredient)
    return json.dumps({"ingredient": ingredient, **data}) if data else "Not found."

実行時にNutritionServiceインスタンスを渡し、テスト時はモックに置き換え可能。

組み込み機能

Web検索や拡張推論も利用可能。このチュートリアルで実用的なエージェント構築の基礎を習得できます。完全なColabノートブックはGitHubで入手可能。