Agent学习记录五：Pydantic验证

要搞清楚：实际 Agent 项目里，为什么不建议一直手写 JSON Schema

一、环境配置

执行

bash 复制代码

pip install pydantic

然后验证：

bash 复制代码

python -c "import pydantic; print(pydantic.__version__)"

二、Pydantic 模型

新建一个新的py

bash 复制代码

from pydantic import BaseModel

class CalculatorArgs(BaseModel):
    a: float
    b: float


args = CalculatorArgs(
    a=123,
    b=456
)

print(args)
print(args.a)
print(args.b)

print("========== JSON Schema ==========")

print(CalculatorArgs.model_json_schema())

【注意】文件名称别叫 pydantic.py ，会报错。

不是 Pydantic 安装坏了，而是你的文件名导致了 Python 的模块名冲突。

运行结果为：

原来手写的

"parameters": {

"type": "object",

"properties": {

"a": {"type": "number"},

"b": { "type": "number"}

},

"required": $"a", "b"$

}

现在只需要：

class CalculatorArgs(BaseModel):

a: float

b: float

CalculatorArgs.model_json_schema()

也就是

Python 类型定义

↓

Pydantic

↓

JSON Schema

↓

LLM Tool

这就是 Pydantic 在 Agent 里的第一个重要作用。

三、校验

将任一一个参数修改为字符串类型，重新运行函数，出现了ValidationError，说明成功验证了 Pydantic 最核心的能力：参数校验。

LLM

↓

Tool Call

↓

JSON

↓

Pydantic

↓

参数验证（√）

↓

通过 ─────→ 执行工具

↓

失败

↓

拒绝执行 / 返回错误

这就是 Agent 中非常重要的一个思想：LLM 负责决策，但不能直接获得程序的执行权。

四、加入整体运行

中间多了一层Pydantic 参数验证。

这就是你以后做 Agent 时非常重要的边界意识：

LLM 输出属于"不完全可信的外部输入"，工具执行属于你的程序权限边界。

python 复制代码

import json

from openai import OpenAI
from pydantic import BaseModel


client = OpenAI()


# =========================
# 1. 定义工具参数
# =========================

class CalculatorArgs(BaseModel):
    a: float
    b: float


class WeatherArgs(BaseModel):
    city: str


# =========================
# 2. 真正执行工具的 Python 函数
# =========================

def calculator(a, b):
    print(f"正在执行 calculator({a}, {b})")
    return a * b


def get_weather(city):
    print(f"正在执行 get_weather({city})")
    return f"{city} 今天晴天，25℃"


# =========================
# 3. 工具映射
# =========================

tool_map = {
    "calculator": calculator,
    "get_weather": get_weather
}


# =========================
# 4. Tool Schema
# =========================

tools = [
    {
        "type": "function",
        "name": "calculator",
        "description": "计算两个数字的乘积",
        "parameters": CalculatorArgs.model_json_schema()
    },
    {
        "type": "function",
        "name": "get_weather",
        "description": "查询指定城市的天气",
        "parameters": WeatherArgs.model_json_schema()
    }
]


# =========================
# 5. 请求 LLM
# =========================

response = client.responses.create(
    model="gpt-5.6-sol",
    input="请计算 123 × 456",
    tools=tools,
    tool_choice="required"
)


# =========================
# 6. 执行 Tool Call
# =========================

for item in response.output:

    if item.type != "function_call":
        continue

    print("========== Tool Call ==========")
    print("工具名称:", item.name)
    print("参数:", item.arguments)
    print("Call ID:", item.call_id)

    # JSON → Python dict
    arguments = json.loads(item.arguments)

    # =========================
    # 7. Pydantic 参数验证
    # =========================

    if item.name == "calculator":
        args = CalculatorArgs(**arguments)

    elif item.name == "get_weather":
        args = WeatherArgs(**arguments)

    else:
        raise ValueError(f"未知工具: {item.name}")

    print("========== Validated Args ==========")
    print(args)

    # =========================
    # 8. 找到真正的 Python 函数
    # =========================

    function = tool_map[item.name]

    # Pydantic Model → dict → 函数参数
    result = function(**args.model_dump())

    print("========== Tool Result ==========")
    print(result)


    # =========================
    # 9. 把结果交给 LLM
    # =========================

    response2 = client.responses.create(
        model="gpt-5.6-sol",
        input=[
            *response.output,
            {
                "type": "function_call_output",
                "call_id": item.call_id,
                "output": str(result)
            }
        ],
        tools=tools
    )

    print("========== Final Answer ==========")
    print(response2.output_text)

运行结果