Pydantic
Pydantic 是一个基于 Python 类型提示的数据验证与数据解析库。它允许开发者通过定义数据模型类来声明数据结构，并在运行时自动完成类型检查、数据转换与校验，若数据不符合预期则抛出结构化错误。Pydantic 广泛应用于 API 开发、配置管理和数据处理场景，是 FastAPI 等主流框架的核心依赖之一，具有高性能、易用性强和与 Python 生态深度集成的特点。
核心事实
时间轴 (近 90 天)
Pydantic v2 提供 v1 兼容层
Pydantic v1.10 是 v1 系列的最后一个稳定维护版本
Pydantic v1 和 v2 之间存在重大 API 差异，两者并不向后兼容
v1.7.0 要求 Pydantic 1.10 或更高版本
在LangGraph中，State通常以Python的TypedDict或Pydantic模型定义，本质是强类型字典结构
完成状态Schema常见的实现方式包括JSON Schema、Pydantic模型或TypeScript类型定义
Pydantic强调类型层面的静态约束，LangGraph fallback强调流程层面的容错编排，Mock网关专注于校验加结构化反馈的闭环，三者不互斥可组合使用
应对工具Schema漂移的其他常见方案包括自定义Pydantic校验器、时间旅行调试器和原生LangGraph fallback节点
输出校验通常借助Pydantic等结构化验证库，在模型响应进入业务逻辑前强制检查字段完整性和类型合法性
Pydantic AI 是基于 Python 类型系统构建的智能体框架，通过 Pydantic 的数据验证机制将模型输出强制映射到预定义的结构化类型
还有 22 条时间轴事件
全部知识事实 (20)
FastAPI基于Starlette和Pydantic构建，天然支持异步处理，基于ASGI（Asynchronous Server Gateway Interface）
80%已验证FastAPI底层基于Starlette框架
80%已验证Pydantic 是 Python 生态中主流的数据验证库，通过类型注解在运行时强制校验数据结构
75%已验证LangGraph中的State通常以TypedDict或Pydantic模型的形式定义
75%已验证Pydantic v2版本使用Rust重写了核心验证逻辑，性能相比v1提升了5-50倍
75%已验证FastAPI内置Pydantic模型，能将Python对象与JSON字符串无缝互转
70%已验证FastMCP使用@mcp.tool装饰器将Python函数注册为工具，自动生成符合JSON Schema Draft 7规范的工具描述对象
65%已验证LangChain的StructuredTool依赖Pydantic来定义工具的输入参数结构，通过Pydantic BaseModel描述每个参数的类型和含义
65%待验证MCP Python SDK利用Python的类型注解和Pydantic的Field描述符，通过反射机制自动生成符合规范的JSON Schema
90%待验证LangChain的@tool装饰器通过Python的inspect模块提取函数签名，结合Pydantic进行类型验证，生成符合OpenAI Function Calling规范的JSON Schema
85%待验证LangChain的with_structured_output方法在底层将Pydantic模型转换为JSON Schema，注入到模型的system prompt或function calling参数中
85%待验证V3版本引入了强类型的数据类（dataclass）或Pydantic模型来封装每种事件，支持mypy、pyright等类型检查器
80%待验证UV在2024年下半年迅速获得FastAPI、Pydantic等主流开源项目的官方推荐
80%待验证PyAgent 指基于 Python 构建的 AI Agent 框架，负责将自然语言任务拆解为浏览器操作指令序列并调用 EgoLite 接口执行
60%待验证LangGraph 的状态以 Python TypedDict 显式定义并在节点间共享
60%待验证Outlines 通过 Pydantic 模型到 JSON Schema 再到 FSM 的编译链路，实现开发者只需定义 Pydantic 类即可获得生成约束
60%待验证v1.7.0 要求 Pydantic 1.10 或更高版本
50%待验证Pydantic v1 和 v2 之间存在重大 API 差异，两者并不向后兼容
50%待验证Pydantic v1.10 是 v1 系列的最后一个稳定维护版本
50%待验证Pydantic v2 提供 v1 兼容层
50%