PydanticAI

PydanticAI

PydanticAI ist das Python-Agenten-Framework von den Machern von Pydantic — dem Datenvalidierungs-Standard den Fast-API populär gemacht hat. Das Versprechen: FastAPI-Erfahrung für AI-Agenten. Wer Python-Typ-Annotationen kennt und Pydantic verwendet, ist nach einer Stunde produktiv. Aktuelle Version: 0.2.x (Stand 05/2026), OSS unter MIT-Lizenz.

Wofür du das nutzt

• Type-safe Agenten in Python. PydanticAI-Agenten haben vollständige Typ-Annotationen — keine runtime-Überraschungen, keine undefinierten Tool-Outputs. IDEs geben Autocomplete für alle Agenten-Methoden.
• Strukturierte LLM-Ausgaben. Definiere ein Pydantic-Modell als erwarteten Output, der Agent gibt garantiert valide Instanzen zurück. Kein manuelles JSON-Parsing mehr.
• Tool-Calling mit Typ-Sicherheit. Tools als Python-Funktionen mit Type-Hints definieren — PydanticAI generiert daraus automatisch das JSON-Schema für die LLM-Funktion-Calling-API.
• Provider-agnostisch. OpenAI, Anthropic, Gemini, Groq, Ollama und andere — ein Agent, mehrere Provider. Wechseln ist eine Zeile.
• Dependency-Injection für Tests. PydanticAI hat eingebautes Dependency-Injection-System — perfekt für Unit-Tests bei denen man LLM-Calls durch Fixtures ersetzt.

Stärken im Detail

• FastAPI-ähnliches Developer-Experience. Wer FastAPI kennt, findet sich in PydanticAI sofort zurecht. Dieselbe Philosophie: explizite Typen, klare APIs, gute Fehlermeldungen.
• Pydantic-Ecosystem-Integration. Pydantic-Modelle direkt als Tool-Input und Output — kein Konvertierungsschritt. Das ist ein klarer Vorteil gegenüber LangChain wo Datenmodelle oft als Dicts durch den Code wandern.
• Eingebaute Observability. PydanticAI integriert mit Pydantic Logfire für Production-Tracing und mit Langfuse für externe Observability. Kein eigenständiges Setup nötig.
• Einfache API, wenig Magie. PydanticAI vermeidet Over-Engineering. Agenten sind Python-Klassen, Tools sind Funktionen, Prompts sind Strings. Gut lesbar, gut testbar.
• Aktiv maintained. Regelmäßige Releases, starkes Pydantic-Team dahinter, gute Doku.

Grenzen & wo's hakt

• Noch keine stabile v1. Die API ist gut durchdacht, aber noch nicht v1.0-stable. Wer maximale API-Stabilität braucht, wartet auf v1.0 oder wählt LangChain als alternativ ausgereiftere Option.
• Kleineres Ökosystem als LangChain. LangChain hat tausende Community-Integrationen, vorgefertigte Chains und Tutorials. PydanticAI ist kleiner — man baut öfter selbst.
• Python only. Für TypeScript-Projekte → Vercel AI SDK oder Mastra.
• Kein visueller Builder. PydanticAI ist 100% Code. Wer visuell bauen will → Dify oder Flowise.
• Logfire-Integration ist optional aber empfohlen. Wer Observability ohne externen Service will, braucht Logfire — das hat eigene Kosten wenn man über den Free-Tier hinausgeht.

Pricing (Stand 05/2026)

PydanticAI Framework — vollständig kostenlos und Open Source (MIT-Lizenz, GitHub).

Pydantic Logfire (Observability, optional):

• Personal (kostenlos) — 10 Mio. Logs/Spans/Metrics, 30 Tage Retention, 1 Seat.
• Team (49 USD/Monat) — 5 Seats, 10 Mio. Records inkl., 30 Tage Retention.
• Growth (249 USD/Monat) — Unlimited Seats, 90 Tage Retention, Priority Support.
• Enterprise — Custom Pricing, Self-Hosted-Option via Helm Chart.

Für Studis: PydanticAI Framework + Logfire Personal reicht für alle Lernprojekte kostenfrei.

Praxis-Workflow

1. Installieren. pip install pydantic-ai (kein Extra-Paket nötig).
2. Agenten definieren. Agent(model, result_type=MeinPydanticModell) — fertig.
3. Tools ergänzen. Python-Funktion mit @agent.tool-Decorator und Type-Hints.
4. Ausführen. result = agent.run_sync("Meine Anfrage") → typsichere Ausgabe.
5. Provider wechseln. model durch anthropic:claude-3-5-sonnet ersetzen — alles andere bleibt.
6. Observability. Logfire-Integration für Production, Langfuse als Alternative für externes Tracing.

Datenschutz (kurz)

PydanticAI läuft lokal — keine Daten gehen an Pydantic. Alle LLM-Calls gehen direkt zum gewählten Provider (OpenAI, Anthropic, etc.) — deren Datenschutzbedingungen gelten. Logfire ist ein Cloud-Service von Pydantic mit Self-Hosted-Option (Enterprise). Für DSGVO-sensible Anwendungen: lokale Modelle über Ollama oder Self-Hosted Logfire einsetzen.

Quick-Win