Pydantic AI

观察时点：2026-10-15。以强类型接口构建Agent，并以独立Harness扩展长任务能力。

已公开的技术路线与控制边界

typed tools/outputs/dependencies＋capabilities；Harness提供记忆、委派与context能力，可接durability引擎。应用掌握类型、依赖、工具和存储；core与Harness是包边界，并非成熟度档位。

Pydantic AI当前已经形成typed核心与独立Harness，不宜沿用“只是一层类型封装”的早期印象。核心把模型、工具、依赖和输出纳入Python类型体系，Harness以capabilities扩展文件、记忆、委派和长任务。官方说明这是包职责边界，不是成熟度档位。

类型化接口适合财报指标、引证对象和教学rubric等领域结构。它可以让应用明确每个字段的形状，并提高依赖注入与工具开发的可维护性；但不能证明字段真实或法律适用。模型生成的数值、引用和评价仍要外部证据与领域verifier，schema通过率不能替代业务成功率。

固定memory源码很值得借鉴：默认guidance将记忆定义为背景而非instructions，volatile事实需重新验证；主笔记有限注入，主题内容按需读取；namespace由配置或运行时resolver提供，不暴露给模型自由选择。它还限制token、行数、文件大小和搜索范围，默认内存store仅在进程生命周期有效。

Durability通过已有集成扩展，例如Temporal、DBOS或Prefect。采用前先明确主循环和恢复权威，避免在外层持久引擎与内层能力之间重复执行。能力组合虽方便，不同provider对native工具、schema和compaction支持并不等价，每个组合仍需conformance与真实任务验证。

对Python团队，可先与LangGraph做同一用例对照：若问题主要是类型化工具和局部探索，typed loop可能更轻；若流程已有复杂审批与明确阶段，图的控制方式可能更直观。不要为了“全面支持”同时堆多套主runtime，也不必从头实现框架已经提供的存储接口。

MIT许可适合以依赖方式集成，优先在应用层保持业务Task、权限、证据和评测资产独立。试验覆盖memory scope、context压缩后约束、provider切换、工具副作用和重启。公开文档与固定源码证明这些设计入口，不能代替企业数据、三域质量或多实例恢复实测。

领域对象可以从最小集合开始，例如指标值、单位、期间、source_version和计算过程；引用对象保存原文定位与支持关系；教学观察保存题目、提示程度和不确定性。类型让这些差别显式，但每个字段仍需证据。针对memory，应让运行时resolver依据当前用户和项目确定namespace，禁止模型选择别人的scope。换模型后重测数字转换、日期、枚举和缺失值；若严格schema不可用，明确降级保证。这样的切片能评估类型体系带来的实际维护收益，而非只比较代码行数。

数据、记忆与模型替换

源码把memory作为背景而非指令；namespace由运行时提供并限制注入规模；默认内存store非持久后端。

支持多provider；模型字符串可换不代表每个capability跨厂商行为相同。

执行、部署与采用取舍

在应用选择的Python运行环境执行；持久后端按需接入。Typed loop配capabilities；可接现有durable execution引擎。云端API服务、worker或所选持久执行平台。

强类型、依赖注入与多provider边界适合维护领域工具及开放模型路线。

观察于2026-10-15：具体capability和接口成熟度按文档逐项核实；v2.56.0；SHA f2d82f53873eb94614c23108b2045748b9c72252

许可边界：MIT。采用前按实际使用方式核验组件、云服务与模型条款。

证据范围与未知

已读官方Harness文档、固定memory源码、durability示例与MIT许可。

未公开或仍需目标环境验证的部分：特定模型能力组合；三域代表任务表现；采用存储的多实例一致性。本页不以产品表面行为推断其隐藏实现。

Pydantic AI：Harness能力边界；Pydantic AI：Memory scope与注入源码；Pydantic AI：Durability集成；Pydantic AI：MIT许可。