pydantic-ai

name: pydantic-ai description: > Build typed LLM applications with PydanticAI: schema-constrained outputs, tool integration, validation, retries, and deterministic downstream handoffs. Use when users need reliable structured outputs instead of free-form text generation. allowed-tools: Bash Read Write Edit Grep Glob metadata: tags: pydantic, structured-output, validation, llm-app, python version: "1.0" source: pydantic/pydantic-ai

PydanticAI

When to use this skill

• LLM 출력이 JSON/객체 스키마를 반드시 따라야 할 때
• 후속 자동화(저장/분석/API 호출)에 안정적으로 넘겨야 할 때
• 자유서술보다 검증 가능한 구조화 출력이 중요한 경우

Instructions

Step 1) 스키마 우선 설계

• 먼저 Pydantic 모델을 정의하고 필수/선택 필드 분리
• enum/range/regex 제약을 명시
• 오류 메시지는 사용자 교정 가능 형태로 설계

Step 2) Agent + Tool 결합

• 도구 입출력도 Pydantic 타입으로 통일
• 실패 시 재시도 규칙(필드 누락/타입 불일치)을 분리
• 모델 출력이 스키마 미준수면 즉시 재질문(repair prompt)

Step 3) 검증/복구 루프

• ValidationError를 카테고리화(누락/형식/논리)
• 동일 오류 반복 시 프롬프트가 아니라 스키마 복잡도 재검토
• 최종 결과에 신뢰 플래그(validated, repaired, failed) 포함

Step 4) 운영 적용

• DB 저장 전 2차 검증(서버 측) 수행
• 버전드 스키마(v1,v2)로 호환성 관리
• 관찰 지표: first-pass success, retry rate, field error rate

Examples

• 요청: "리서치 결과를 항상 동일 포맷 JSON으로 받아서 파이프라인에 넣고 싶다"
• 적용: ResearchSummary 스키마 정의 후 Agent 결과를 강제 검증
• 결과: 파싱 실패율 감소, 후속 자동화 안정화

Best practices

1. 자연어 요구사항을 먼저 스키마로 번역한다.
2. 스키마는 작게 시작하고 점진적으로 확장한다.
3. 재시도 횟수보다 오류 분류 품질을 먼저 개선한다.

References

• https://github.com/pydantic/pydantic-ai