EsempioscriptbeginnerEseguibilechat-lab
Avvio rapido
Esempio rieseguibile beginner di tipo script che usa pydantic.
Fatti chiave
- Livello
- beginner
- Runtime
- Python • Pydantic
- Pattern
- Un turno, un output ispezionabile
- Interazione
- Sandbox live • Script
- Aggiornato
- 14 marzo 2026
Naviga questo esempio
Libreria
Sfoglia gli esempiRiapri la libreria completa per confrontare pattern vicini e percorsi collegati.Interazione
Esegui ora nel sandboxProva l'interazione direttamente nella superficie guidata di questo esempio.Sorgente
Apri codice completoLeggi l'implementazione reale, i punti evidenziati e i requisiti runtime.MCP
Chiama via MCPUsa la stessa risorsa dentro agenti, export deterministici e setup MCP.
Principi collegati
quickstart.py
python
from typing import Literal
from pydantic_ai import Agent
from pydantic_ai.models.openai import OpenAIChatModel
from pydantic import BaseModel
import nest_asyncio
nest_asyncio.apply() # Needed to run interactive python
# --------------------------------------------------------------
# Use a chat model by name
# --------------------------------------------------------------
agent = Agent(
model="openai:gpt-4o-mini", # Specify the model to use
instructions="Be concise, reply with one sentence.", # Specify the instructions (system prompt)
)
result = agent.run_sync(user_prompt='Where does "hello world" come from?')
print(result.output)
print(type(result))
# --------------------------------------------------------------
# Use a chat model by model object
# --------------------------------------------------------------
model = OpenAIChatModel("gpt-4o-mini") # Initialize the model
agent = Agent(
model,
instructions="Be concise, reply with one sentence.",
model_settings={
"temperature": 0.0, # Add model settings here
},
)
result = agent.run_sync(user_prompt='Where does "hello world" come from?')
print(result.output)
# --------------------------------------------------------------
# Using structured outputs
# --------------------------------------------------------------
class TicketCategory(BaseModel):
category: Literal["general", "order", "billing"]
agent = Agent(
model="openai:gpt-4o-mini",
output_type=TicketCategory,
instructions="Classify the following message into a category",
)
ticket = "I would like to place an order."
result: TicketCategory = agent.run_sync(user_prompt=ticket)
print(result.output)
assert result.output.category == "order"
Principi correlati
- P4trustApplicare la divulgazione progressiva all'agenzia del sistemaFornire per impostazione predefinita le informazioni minime necessarie, consentendo agli utenti di ispezionare ulteriori dettagli quando è richiesta fiducia, comprensione o intervento.Apri il principio →
- P7trustStabilire fiducia attraverso l'ispezionabilitàGli utenti dovrebbero essere in grado di esaminare come è stato prodotto un risultato quando la fiducia, la responsabilità o la qualità della decisione sono importanti.Apri il principio →
- P8trustRendere espliciti i passaggi, le approvazioni e i blocchiQuando il sistema non può procedere, la ragione dovrebbe essere immediatamente visibile, insieme a qualsiasi azione richiesta dall'utente o da un'altra dipendenza.Apri il principio →
- P9orchestrationRappresentare il lavoro delegato come un sistema, non solo come una conversazioneDove il lavoro coinvolge più passaggi, agenti, dipendenze o attività concorrenti, dovrebbe essere rappresentato come un sistema strutturato piuttosto che solo come un flusso di messaggi.Apri il principio →