mcpField
P
pydantic-ai

pydantic-ai

github.com/akillnessAgent workflows53244 installsUpdated 4d ago
Repository

About pydantic-ai

A skill for building PydanticAI agents that return schema-validated structured data. It guides schema design, tool typing, retries, and operational checks for workflows that need dependable outputs.

Key features

  1. 01Pydantic schema design
  2. 02Typed agent tools
  3. 03Validation and repair loops
  4. 04Versioned schema guidance
  5. 05Operational metrics

Use cases

  1. 01Returning research in pipeline-ready JSON
  2. 02Validating agent results before database storage

Install

Copy the command and run it in a terminal.

$npx skills add https://github.com/akillness/jeo-skills --skill pydantic-ai

After installing, type/pydantic-aiin Claude Code to confirm it loaded.

Details

From the project README

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

Comments

Markdown supported