Pydantic AI frente a DSPy: al extraer correos de clientes, ¿controlar primero los campos u optimizar la interpretación?

Los campos válidos aún pueden interpretar mal la intención del cliente. Pydantic AI encaja para establecer validación de tipos, reintentos y salidas de fallo. DSPy permite optimizar la extracción cuando existen muestras representativas y criterios de puntuación. La comparación también debe incluir etiquetado, búsqueda de optimización y llamadas en producción.

Fuente: pydantic.dev
11 de noviembre de 2026
6 min

Un equipo de atención al cliente entrega mensajes a un modelo esperando obtener número de pedido, tipo de solicitud, importe y prueba en el original. Lo difícil es que los campos pueden entrar en la base de datos y, aun así, interpretar mal la intención. Pydantic AI encaja mejor para establecer primero límites de salida verificables; DSPy, para optimizar sistemáticamente la extracción cuando ya hay muestras representativas y criterios de puntuación. Se pueden combinar, y ninguno demuestra que el contenido sea correcto solo porque el JSON sea válido.

Dividir primero los errores en dos clases

Supongamos que un cliente escribe: «Los 299 yuanes del pedido A123 no son una solicitud de reembolso. Explique primero el cobro duplicado». Es un caso de análisis, no una prueba. Si la salida clasifica la solicitud como «reembolso», el significado de negocio es erróneo aunque el pedido sea una cadena, el importe un número y el tipo pertenezca a la enumeración permitida.

Puede acordarse que la salida incluya tipo de solicitud, pedido, importe, moneda, fragmento probatorio e información pendiente. Debe permitirse dejar vacía una moneda ausente, y no inventar un número porque el importe sea obligatorio. Si un mensaje contiene varias solicitudes, también debe decidirse de antemano si se devuelve una lista. Este acuerdo de campos y las reglas de etiquetado son el punto de partida de una comparación justa.

Pydantic AI: aclarar las condiciones para aceptar una llamada

La documentación de salida de Pydantic AI permite definir resultados con modelos Pydantic y otros tipos, y ofrece salidas de herramientas, salidas estructuradas nativas del modelo y salidas mediante instrucciones. La forma concreta depende del modelo. Una validación fallida puede activar reintentos; los desarrolladores también pueden escribir validadores de salida y pedir correcciones mediante ModelRetry. Los reintentos tienen un presupuesto: repetir indefinidamente no garantiza acertar.

En atención al cliente, pueden imponerse tipos de solicitud e intervalos de importes y comprobar después que el fragmento de prueba aparezca realmente en el mensaje. Esa comprobación debe implementarla el equipo; no es verificación factual automática del framework. Incluso un fragmento existente puede no respaldar la conclusión. «No es una solicitud de reembolso» exige cubrir la negación en la validación o evaluación.

Esta ruta encaja con equipos que ya conocen los campos aceptados por el sistema posterior y necesitan salidas de fallo explícitas. Al superar el límite de reintentos, debe guardarse el motivo y derivarse a atención al cliente, no rellenar silenciosamente valores predeterminados. Los reintentos y la validación restringen la interfaz, pero no sustituyen la evaluación de calidad de la extracción.

DSPy: mejorar el programa según una puntuación de negocio

DSPy también declara estructuras. Su documentación de Signature explica campos y tipos de entrada y salida; los tipos más ricos incluyen modelos Pydantic. No es válido resumir la comparación como «Pydantic AI tiene tipos y DSPy no».

DSPy se distingue por la ruta de optimización. La documentación oficial de optimizadores sitúa el programa, la función de puntuación y las entradas de entrenamiento como elementos centrales. MIPROv2, por ejemplo, explora combinaciones de instrucciones y ejemplos few-shot. Otros optimizadores pueden ajustar pesos, pero no debe llamarse entrenamiento de un modelo nuevo a toda optimización de instrucciones. Algunos procesos empiezan con entradas sin etiquetar; eso no significa que el equipo pueda prescindir de criterios de validación fiables.

Para esta tarea, primero deben etiquetar los mensajes personas que conozcan el negocio y definir las fronteras entre «reembolso», «consulta sobre cobro» y «modificar pedido», y después establecer la puntuación. Deben comprobarse por separado coincidencia de pedido, tipo de solicitud, importe y moneda, y respaldo de la prueba. Ocultar errores de campos clave en una media recompensa programas inadecuados para el negocio. La optimización sigue el objetivo establecido; no descubre por sí sola las reglas que el equipo omitió.

Las muestras de entrenamiento y optimización deben separarse de las de validación final. Dividir por cliente o conversación ayuda a evitar que reformulaciones del mismo mensaje aparezcan en ambos grupos. También hay que cubrir campos ausentes, negaciones, varios pedidos y mensajes multilingües. Sin esa preparación, aumentar rondas de optimización suele aumentar el gasto y no permite afirmar una mejora de precisión.

Calcular los costes sin confundir las capas de producto

Pydantic AI se refiere aquí al SDK de Python. Pydantic AI Harness es una biblioteca de capacidades construida encima para agentes más complejos con archivos, planificación y memoria. La extracción simple de campos no exige introducir un agente completo de tareas largas. Logfire aporta observabilidad y depuración; sus costes y capacidades no son el precio ni los requisitos obligatorios del SDK.

Los optimizadores de DSPy tampoco pagan las llamadas de modelos. En el presupuesto, separe inferencia en producción y operación comunes de los costes adicionales de reintentos, etiquetado, búsqueda de optimización, llamadas de evaluación y observabilidad opcional. Añadir más ejemplos a las instrucciones también puede aumentar los tokens de entrada tras desplegar. Una puntuación mejor durante la optimización no significa automáticamente un coste menor por correo.

Por ejemplo, si se procesan 1.000 mensajes y 100 generan cada uno una llamada adicional, se añaden 100 llamadas. No se puede deducir un aumento de coste del 10 %, porque las longitudes de entrada y salida pueden variar. Es un ejemplo presupuestario, no la tasa de reintentos de un producto. Los costes de optimización fuera de línea de DSPy también deben separarse y compararse con el ahorro o la mejora de calidad posterior.

Decidir el siguiente paso con el mismo conjunto de mensajes

Si el problema principal son campos no conformes y errores sin gestionar, utilice primero Pydantic AI para crear un servicio mínimo con campos anulables, reglas de validación y destinos de fallo claros. Si el formato ya es estable pero se confunde a menudo la intención, y el equipo tiene ejemplos etiquetados y una persona responsable de evaluación, use DSPy para comparar el programa original y el optimizado sobre un conjunto de prueba reservado.

También puede optimizarse el módulo de extracción con DSPy e integrarlo después en el servicio existente de validación de tipos. Es una decisión que requiere integración y pruebas de regresión, no una garantía inmediata de ambos frameworks. Si una llamada sencilla al modelo y la validación existente cumplen los requisitos, no hace falta mantener dos abstracciones.

La validación debe separar al menos tasa de conformidad estructural, corrección de campos clave, proporción de fallos derivados, coste total de llamadas por mensaje y latencia. El artículo analiza documentación oficial, sin realizar un experimento comparativo de precisión. La elección debe depender de si falta control de salida o una vía medible de mejora semántica, no de qué nombre de framework está más de moda.

Nota sobre el contenido:Este artículo se basa en información pública y sirve como referencia para comparar y elegir herramientas. Las funciones, los precios y las políticas relacionadas pueden cambiar en cualquier momento; consulta la información oficial más reciente.

Fuente original:pydantic.dev