Skip to main contentSkip to footer
EsempioscriptintermediateEseguibilehuman-approval

Assistente bancario

Esempio rieseguibile intermediate di tipo script che usa pydantic, python-dotenv.

Fatti chiave

Livello
intermediate
Runtime
Python • Pydantic + Python Dotenv
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
Assistente bancario -> Richiesta utente -> Esecuzione del sistema -> Output verificabile -> Applicare la divulgazione progressiva… -> Stabilire fiducia attraverso l'ispezionabilità

Avvio

Assistente bancario

Checkpoint

Richiesta utente

Esito

Esecuzione del sistema

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-5-tools-and-toolsets-human-in-the-loop-2-banking-assisant
Percorso sorgente
content/example-library/sources/frameworks/pydantic-ai/5-tools-and-toolsets/human-in-the-loop/2-banking-assisant.py
Librerie
pydantic, python-dotenv
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-banking-assisant.py

python
import nest_asyncio
from dataclasses import dataclass
from typing import Union
from pydantic import BaseModel
from rich.console import Console
from rich.panel import Panel
from rich.prompt import Confirm
from pydantic_ai import Agent, RunContext, ToolDenied
from pydantic_ai.messages import ModelMessage
from dotenv import load_dotenv

# Specific imports for human-in-the-loop
from pydantic_ai import ApprovalRequired, DeferredToolRequests, DeferredToolResults

load_dotenv()

# Apply nest_asyncio for interactive environments
nest_asyncio.apply()

# Initialize rich console for better UI
console = Console()


class BankAccount:
    def __init__(self, balance: float = 1000.0):
        self.balance = balance

    def withdraw(self, amount: float) -> float:
        if amount > self.balance:
            raise ValueError("Insufficient funds")
        self.balance -= amount
        return self.balance


class Contact(BaseModel):
    name: str
    account_number: str


@dataclass
class Deps:
    account: BankAccount
    contacts: dict[str, Contact]


# Define the agent
# We specify output_type to include DeferredToolRequests so type inference works
agent = Agent(
    "openai:gpt-5.1-chat-latest",
    deps_type=Deps,
    output_type=Union[str, DeferredToolRequests],
    instructions=(
        "You are a helpful banking assistant. "
        "You can check balances, list contacts, and transfer money. "
    ),
)


@agent.tool
def check_balance(ctx: RunContext[Deps]) -> str:
    """Check the current account balance."""
    return f"Current balance: ${ctx.deps.account.balance:.2f}"


@agent.tool
def search_contacts(ctx: RunContext[Deps]) -> list[str]:
    """Search for contacts by name."""
    return ctx.deps.contacts


@agent.tool
def transfer_money(ctx: RunContext[Deps], amount: float, contact_name: str) -> str:
    """Transfer money to another account. Use the search_contacts tool to browse the list of contacts."""
    try:
        contact = ctx.deps.contacts[contact_name]
    except KeyError:
        return f"Contact '{contact_name}' not found."

    if amount > 100 and not ctx.tool_call_approved:
        raise ApprovalRequired(
            metadata={
                "amount": amount,
                "to_account": contact.name,
                "account_number": contact.account_number,
                "risk_level": "high" if amount > 1000 else "medium",
            }
        )

    try:
        new_balance = ctx.deps.account.withdraw(amount)
        return f"Successfully transferred ${amount:.2f} to {contact.name} ({contact.account_number}). New balance: ${new_balance:.2f}"
    except ValueError as e:
        return f"Transfer failed: {str(e)}"


def main():
    contacts = {
        "Alice": Contact(name="Alice", account_number="1234567890"),
        "Bob": Contact(name="Bob", account_number="1234567891"),
        "Charlie": Contact(name="Charlie", account_number="1234567892"),
    }

    deps = Deps(
        account=BankAccount(balance=1000.0),
        contacts=contacts,
    )

    console.print(
        Panel.fit(
            "🏦 Banking Assistant",
            style="bold blue",
        )
    )
    console.print("Type 'quit' to exit. Try asking: 'Transfer $500 to Alice'")

    # Keep track of message history to resume conversations
    message_history: list[ModelMessage] = []

    while True:
        try:
            user_input = console.input("\n[bold green]User > [/bold green]")
            if user_input.lower() in ("quit", "exit"):
                break

            # Run the agent
            # Pass existing message history to maintain context
            result = agent.run_sync(
                user_input, deps=deps, message_history=message_history
            )

            # Check if the agent stopped for tool approval
            if isinstance(result.output, DeferredToolRequests):
                requests = result.output

                # Create a results object to hold our approvals/denials
                tool_results = DeferredToolResults()

                # Iterate through all calls requiring approval
                for approval in requests.approvals:
                    tool_name = approval.tool_name
                    tool_args = approval.args
                    tool_id = approval.tool_call_id
                    metadata = requests.metadata.get(tool_id, {})

                    console.print(
                        f"\n[bold yellow]⚠️  Approval Required for tool: {tool_name}[/bold yellow]"
                    )
                    console.print(f"Arguments: {tool_args}")
                    if metadata:
                        to_account = metadata.get("to_account", "Unknown")
                        account_number = metadata.get("account_number", "")
                        console.print(f"Transfer to: {to_account} ({account_number})")
                        console.print(
                            f"Risk Level: {metadata.get('risk_level', 'unknown')}"
                        )

                    # Physically ask the user
                    is_approved = Confirm.ask("Do you approve this transaction?")

                    if is_approved:
                        tool_results.approvals[tool_id] = True
                        console.print("[green]Transaction Approved[/green]")
                    else:
                        # We can provide a reason for the denial
                        tool_results.approvals[tool_id] = ToolDenied(
                            "User denied the high-value transaction."
                        )
                        console.print("[red]Transaction Denied[/red]")

                # Resume the agent with the results and message history
                # We use the messages from the first run (which include the tool call requests)
                resume_result = agent.run_sync(
                    message_history=result.all_messages(),
                    deps=deps,
                    deferred_tool_results=tool_results,
                )

                console.print(
                    f"\n[bold blue]Agent > [/bold blue]{resume_result.output}"
                )
                message_history = resume_result.all_messages()

            else:
                # Normal response
                console.print(f"\n[bold blue]Agent > [/bold blue]{result.output}")
                message_history = result.all_messages()

        except Exception as e:
            console.print(f"[bold red]Error:[/bold red] {e}")


if __name__ == "__main__":
    main()
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.

Prompt

Draft firstHuman checkpoint

Draft output

The draft appears here before any final action is taken.

Approval checkpoint

Approval only becomes available after the system exposes a draft.

Why approval is a product pattern

  • Applicare la divulgazione progressiva all'agenzia del sistema
  • Stabilire fiducia attraverso l'ispezionabilità
  • Rendere espliciti i passaggi, le approvazioni e i blocchi
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