slug
Pydantic模型
type
Post
status
Published
date
Jan 28, 2026
tags
推荐
文字
summary
category
技术分享与前沿技术域认知
icon
password
公式理解：
1. 它是你代码的“安检员”（防守型感受）
在 Python 里，字典（dict）是极其松散的。假设你的前端发来一个 JSON：
感受点： 如果前端少传了字段，或者把
user_id 传成了 "abc"，你的程序会在运行到一半时突然崩掉（抛出 KeyError 或 ValueError）。用了 Pydantic： 数据在进入你核心逻辑的第一秒就被拦截了。它会自动把字符串
"123" 转成 int，如果数据格式不对，它会直接报错并告诉你具体哪一行、哪个字段有问题，而不是让脏数据污染你的整个系统。2. 它赋予了 Python “强类型”的超能力（开发体验感受）
Python 是一门动态语言，这意味着你的 IDE（如 Cursor 或 VS Code）很多时候不知道
data["user_info"]["name"] 到底是什么。感受点： 当你使用 Pydantic 模型时：
- 按下
.键，所有的属性都会自动补全。
- 当你拼错变量名时，IDE 会立刻标红。
- 这在你重构代码（比如把
user_name改成username）时，能帮你避免 90% 的低级 Bug。
3. 它解决了 LLM 的“胡言乱语”（AI 时代的核心感受）
在你做 RAG 或 Agent 的时候，这可能是最让你有感的场景。
你给 Claude 下指令：“请以 JSON 格式返回用户的简历信息。”
- 没用 Pydantic： LLM 可能会返回
{"name": "Felix"}，也可能返回{"user_name": "Felix"}。你得写一堆if-else去解析。
- 用了 Pydantic： 你直接定义一个
ResumeModel，然后把 LLM 的字符串丢进去。Pydantic 会帮你校验：如果 LLM 少写了关键字段，或者格式不对，你可以直接捕获异常并让 LLM 重试（Retry），或者直接将其映射为你系统内部标准的 Python 对象。
一个能让你“有感”的小实验
你可以对比一下这两段代码，想象一下如果你正在处理 50 个字段的简历数据：
方案 A：纯 Dict（手动挡）
方案 B：Pydantic（自动挡）
总结
Pydantic 的本质是：在“不可信的外部数据”和“可信的内部逻辑”之间，筑起了一道坚固的防火墙。
- Author:盛溪
- URL:https://tangly1024.com/article/Pydantic%E6%A8%A1%E5%9E%8B
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
.jpg?table=block&id=26f7c1d5-a1e9-80d7-a52b-e71bb7079501&t=26f7c1d5-a1e9-80d7-a52b-e71bb7079501)
