Skip to main contentSkip to footer
EsempioscriptintermediateEseguibileguided-flow

Dipendenze

Esempio rieseguibile intermediate di tipo script che usa pydantic.

Fatti chiave

Livello
intermediate
Runtime
Python • Pydantic
Pattern
Flusso ispezionabile con confini di sistema visibili
Interazione
Sandbox live • Script
Aggiornato
14 marzo 2026

Naviga questo esempio

Vista rapida del flusso

Come questo esempio si muove tra input, esecuzione e risultato rivedibile
Dipendenze -> Constrain output schema -> Render the visible result -> dependencies -> core concepts

Trigger

Dipendenze

Runtime

Constrain output schema

Esito

Render the visible result

Perché esiste questa pagina

Questo esempio è mostrato sia come codice sorgente reale che come pattern di interazione orientato al prodotto, così i discenti possono collegare implementazione, UX e dottrina senza lasciare la libreria.

Flusso visivoCodice realeSandbox o walkthroughAccesso MCP
Come dovrebbe essere usato questo esempio nella piattaforma?

Usa prima la sandbox per comprendere il pattern di esperienza, poi ispeziona il sorgente per vedere come il confine del prodotto, il confine del modello e il confine della dottrina sono effettivamente implementati.

UX pattern: Flusso ispezionabile con confini di sistema visibili
Applicare la divulgazione progressiva all'agenzia del sistema
Stabilire fiducia attraverso l'ispezionabilità
Rendere espliciti i passaggi, le approvazioni e i blocchi
Riferimenti sorgente
Voce di libreria
frameworks-pydantic-ai-3-core-concepts-2-dependencies
Percorso sorgente
content/example-library/sources/frameworks/pydantic-ai/3-core-concepts/2-dependencies.py
Librerie
pydantic
Requisiti di runtime
Ambiente del repository locale
Principi correlati
Applicare la divulgazione progressiva all'agenzia del sistema, Stabilire fiducia attraverso l'ispezionabilità, Rendere espliciti i passaggi, le approvazioni e i blocchi, Rappresentare il lavoro delegato come un sistema, non solo come una conversazione

2-dependencies.py

python
from datetime import date
import json
from typing import Literal

import nest_asyncio
from pydantic import BaseModel
from pydantic_ai import Agent, RunContext

nest_asyncio.apply()

# --------------------------------------------------------------
# Without dependencies - limited context
# --------------------------------------------------------------

agent = Agent(
    "openai:gpt-4o-mini",
    instructions="You are a helpful customer service agent.",
)

result = agent.run_sync(user_prompt="What's my account status?")
print(result.output)

# --------------------------------------------------------------
# With dependencies - inject runtime data
# --------------------------------------------------------------


class Customer(BaseModel):
    name: str
    account_id: str
    status: Literal["Active", "Inactive"]


agent = Agent(
    "openai:gpt-4o-mini",
    deps_type=Customer,
    instructions="You are a helpful customer service agent.",
)


@agent.instructions
def add_customer_context(ctx: RunContext[Customer]) -> str:
    customer = ctx.deps
    return f"Customer: {customer.name} (ID: {customer.account_id}, Status: {customer.status})"


@agent.instructions
def add_current_date() -> str:
    return f"Today's date: {date.today()}"


customer = Customer(
    name="Alice",
    account_id="C001",
    status="Active",
)
result = agent.run_sync(user_prompt="What's my account status?", deps=customer)
print(result.output)

# --------------------------------------------------------------
# Different customer, same agent
# --------------------------------------------------------------

another_customer = Customer(
    name="Bob",
    account_id="C002",
    status="Inactive",
)
result = agent.run_sync(user_prompt="What's my account status?", deps=another_customer)
print(result.output)


# --------------------------------------------------------------
# Let's explore the result
# --------------------------------------------------------------

messages = json.loads(result.all_messages_json())
print(json.dumps(messages, indent=2))


# --------------------------------------------------------------
# Why you want type-safe dependencies
# --------------------------------------------------------------

wacky_agent = Agent(
    "openai:gpt-4o-mini",
    instructions="You are a helpful customer service agent.",
)


@wacky_agent.instructions
def add_customer_context(customer: str) -> str:
    return f"Customer: {customer}"


yet_another_customer = "Bob"
result = wacky_agent.run_sync(user_prompt="What's my account status?")
print(result.output)  # Results in generic chatbot error that will go unnoticed
Cosa dovrebbe ispezionare il discente nel codice?

Cerca il punto esatto in cui lo scope del sistema è delimitato: definizioni di schema, impostazione del prompt, configurazione di runtime e il punto di chiamata che trasforma l'intenzione dell'utente in un'azione concreta del modello o del workflow.

Cerca i contratti di output e la validazione
Cerca la chiamata di esecuzione esatta
Cerca cosa il prodotto potrebbe esporre all'utente
Come si relaziona la sandbox al sorgente?

La sandbox dovrebbe rendere leggibile l'UX: cosa vede l'utente, cosa sta decidendo il sistema e come il risultato diventa revisionabile. Il sorgente mostra poi come quel comportamento è effettivamente implementato.

Leggi il riepilogo dell'implementazione.
Esplora gli stati utente e di sistema.
Ispeziona il codice sorgente tenendo a mente le decisioni dottrinali evidenziate.
SandboxFlusso ispezionabile con confini di sistema visibili
Guida all'interazione

Usa la sandbox per esplorare l'esperienza visibile all'utente, il lavoro del sistema e la scelta dottrinale che l'esempio sta facendo.

Spiegazione UX

La sandbox spiega cosa dovrebbe vedere l'utente, cosa sta facendo il sistema e dove il controllo o l'ispezionabilità devono rimanere espliciti.

Spiegazione AI Design

La pagina trasforma il codice sorgente in un pattern orientato al prodotto: cosa può decidere il modello, cosa dovrebbe esporre il prodotto e dove il codice deterministico o la revisione devono subentrare.

Guida all'interazione

  1. 1Leggi il riepilogo dell'implementazione.
  2. 2Esplora gli stati utente e di sistema.
  3. 3Ispeziona il codice sorgente tenendo a mente le decisioni dottrinali evidenziate.

Visibile all'utente

Uno script di tipo script che dimostra pydantic.

Lavoro del sistema

Il prodotto prepara un task delimitato per il modello o il workflow.

Perché è importante

L'interfaccia dovrebbe rendere il task delegato leggibile prima che avvenga l'automazione.

Usato in corsi e percorsi

Questo esempio attualmente è indipendente nella libreria, ma si connette comunque al sistema dei principi e alla famiglia di esempi più ampia.

Principi correlati

Runtime architecture

Usa questo esempio nei tuoi agenti

Questo esempio è disponibile anche tramite il layer agent-ready del blueprint. Usa la pagina Per agenti per recuperare MCP pubblico, export deterministici e setup per Claude o Cursor.

Definisci trigger, contesto e confini prima di aumentare l'autonomia
Rendi espliciti controllo, osservabilita e recovery nel runtime
Scegli i pattern operativi giusti prima di delegare ai workflow