Sunday面试指南

PydanticAI 是什么?依赖注入和类型化输出如何组织 Agent?

下面是一段用于讲题的模拟面试对话。

🧑‍💻 面试官:PydanticAI 和直接调用模型 API 相比,主要多做了什么?

🙋‍♂️ 我:它把模型调用、工具执行、依赖传递和输出校验组织成一个 Agent,可以用 Python 类型描述工具和结果。

🧑‍💻 面试官:查询客户资料需要当前登录人的身份,这个参数也让模型填吗?

🙋‍♂️ 我:身份应该由应用传进去,工具从运行上下文中取得。

🧑‍💻 面试官:最后结果通过了 Pydantic 校验,就说明客户资料查对了,而且能直接退款了?

类型把“数据应该长什么样”说清楚;可信依赖、真实数据和业务授权,还得分别检查。

面试速答(60 秒版)

PydanticAI 是面向 Python 的 Agent 开发框架。开发者可以给 Agent 配置模型、指令、工具、依赖类型和输出类型,由框架组织模型与工具之间的运行过程。

这里比较值得注意的是依赖和模型参数的区别。例如查询订单时,订单号可以由模型从用户问题中提取;当前用户是谁、使用哪条数据库连接,则应该由应用在运行时传入,工具通过 RunContext 取得这些依赖。

输出类型可以使用 Pydantic 模型,帮助应用得到有明确字段、能经过校验的结果。不过,字段合法不代表结论真实,更不代表已经获得操作权限。

因此,Python 项目希望把工具、依赖和返回结果的契约写得明确时,可以考虑 PydanticAI。真正接入业务以后,仍然需要处理权限、重试、状态保存和结果验收,不能把类型安全理解成任务自动正确。

Agent 的类型契约,各管什么?

知识点详解:模型参数和应用依赖,要走两条不同的路

先把 Agent 看成一份可以复用的配置

假设咱们要做一个订单查询助手。它允许查询订单和物流,最后返回“订单状态、物流摘要、是否需要人工处理”。

这时,Agent 定义里需要说明允许使用哪些工具、结果包含哪些字段。一次具体运行还需要用户的问题、当前身份,以及已经建立的数据库连接。

两部分不要混在一起。Agent 配置可以复用,用户身份却会随着请求改变。如果为了省事把用户 ID 写进全局可变字段,两个请求并发执行时,就可能拿错身份。官方 Agent 说明把 Agent 的配置与运行入口分开介绍。

依赖类型告诉代码能取什么,依赖实例才是这次真的用什么

deps_type 描述依赖的类型;调用 Agent 时传入的 deps,才是本次运行的具体依赖。工具通过 RunContext 的依赖入口访问它们。

例如,依赖里可以保存经过登录校验的用户 ID 和订单服务客户端。模型看到的工具参数只需要订单号,不需要一个允许它随便填写的 current_user_id。

那么,依赖没有出现在工具参数里,是不是就绝对不会泄露给模型?

也不能这样理解。如果工具把整个依赖对象转成字符串返回,或者动态指令主动写进了密钥,数据照样会进入模型输入。隐藏参数只是避免模型负责生成它,并不是一层自动的数据脱敏。依赖的定义、传入与读取方式可核对官方依赖文档。

订单号让模型填,用户身份由应用给

输出校验处理的是约定,不替你证明事实

假设约定结果中必须有 order_id、status 和 needs_human。框架可以帮助检查字段类型和约束;模型给了不符合约定的结果时,也可以按配置反馈错误、继续尝试。

但一个真实存在的订单号,也可能属于另一个用户。一个类型正确的“已退款”,也可能只是模型猜的。

因此,结果要分层看。先检查结构能否被应用接住,再确认订单数据来自可信工具,最后检查当前动作是否经过业务规则与授权。高风险写入应该由受控工具完成,不能在“输出校验成功”后无条件执行。

官方还区分了工具输出、模型原生结构化输出等输出方式。选择哪一种,需要看模型和供应商的实际支持,不是写一个类型就保证所有模型具有相同约束能力。

字段合法,不等于这笔退款能执行

框架可以换掉一些胶水代码,业务责任不会一起消失

如果项目只做一次文本改写,直接调用模型接口就可能够用。工具、依赖和输出约定逐渐增多以后,统一的运行结构更容易维护和测试。

可以用假的订单服务替换真实依赖,分别验证“自己的订单、他人的订单、订单不存在、服务超时”。再故意提供字段不合法或业务事实不符的结果,确认系统在哪一层拒绝。

这篇介绍框架职责,没有运行真实模型或订单服务,也没有给出性能对比。PydanticAI 是 Python 框架,不能把 TypeScript 中相似的 Schema 库包装成同一套官方实现。

面试官继续追问

和直接使用 Pydantic 有什么区别?

Pydantic 主要处理数据建模与校验。PydanticAI 在此基础上组织 Agent 的模型调用、工具、依赖和输出过程。只需要校验请求体时,不一定需要引入整套 Agent 框架。

工具超时后,让框架重试就可以了吗?

查询通常可以按条件重试,写操作则必须先弄清第一次是否成功。类型检查无法识别一笔退款是否已经在远端完成,仍需要业务请求标识、结果查询和幂等机制。

使用 Pydantic 模型,能完全防止幻觉吗?

不能。它可以限制形状和部分取值约束,无法单凭类型证明资料真实。需要证据的字段,应关联实际查询结果,并用固定任务和人工复核检查事实错误。

面试速记卡

  • Agent 配置模型、工具、依赖类型和输出约定,运行时再接收本次输入。
  • 模型填写业务参数,可信身份和服务连接由应用传入。
  • RunContext 让工具取得运行依赖,不自动保证数据不会进入模型。
  • 输出类型合法、事实真实、动作获准,是三项不同检查。
  • PydanticAI 属于 Python 生态,业务幂等与恢复仍需独立设计。

公司面试真题

这道题暂未收录可核验的公司真题来源。你可以先阅读本文解析,或浏览已收录的公司面试真题。

浏览公司面试真题 →
简历汪永久免费在线制作简历,模板直接套用、导出无水印,永久免费、下载免费,不需要付费解锁任何功能。去写简历