Pydantic AI ou DSPy: controlar campos ou otimizar a interpretação de e-mails de suporte?

Campos válidos ainda podem distorcer a intenção do cliente. Pydantic AI serve para estabelecer validação de tipos, novas tentativas e tratamento de falhas; DSPy serve para otimizar a extração quando há exemplos representativos e critérios de pontuação. Inclua anotação, busca de otimização e chamadas em produção na comparação.

Fonte: pydantic.dev
November 11, 2026
6 min

Uma equipe de suporte envia e-mails recebidos a um modelo e espera obter números de pedido, tipos de solicitação, valores e trechos que sustentem a extração. A dificuldade é que os campos podem estar prontos para o banco de dados e, mesmo assim, interpretar mal o cliente. Pydantic AI é mais adequado para estabelecer primeiro limites verificáveis para a saída; DSPy é mais adequado para otimizar sistematicamente a extração quando já existem exemplos representativos e critérios de pontuação. As duas ferramentas podem ser combinadas, e nenhuma comprova a correção dos fatos apenas com um JSON válido.

Primeiro, separe dois tipos de erro

Suponha que um cliente escreva: “Os 299 yuans do pedido A123 não são uma solicitação de reembolso. Primeiro, expliquem a cobrança duplicada.” Este é um exemplo de análise, não um resultado de teste. Classificar a solicitação como reembolso está semanticamente errado, mesmo que o número do pedido seja uma string, o valor seja numérico e o tipo pertença a uma enumeração permitida.

Comece definindo os campos de saída: tipo de solicitação, número do pedido, valor, moeda, trecho de apoio e informações em falta. Permita que a moeda ausente fique vazia; não invente um número só porque o valor é obrigatório. Decida também se um e-mail com várias solicitações deve gerar uma lista. Esse contrato de campos e as regras de anotação são o ponto de partida para uma comparação justa.

Pydantic AI: definir as condições de aceitação de cada chamada

A documentação de saída do Pydantic AI permite definir resultados com modelos Pydantic e outros tipos, usando, entre outras opções, saída por ferramenta, saída estruturada nativa do modelo e saída orientada por prompt. A escolha depende das capacidades do modelo. Falhas de validação podem desencadear novas tentativas; desenvolvedores também podem criar validadores de saída e usar ModelRetry para solicitar um resultado corrigido. Há um limite de tentativas, portanto insistir não garante sucesso.

Na extração para suporte, os tipos de solicitação permitidos e os intervalos de valores podem ser expressos como restrições. Depois, pode-se verificar se os trechos de apoio realmente aparecem no e-mail. Essa segunda verificação exige lógica implementada pela equipe; não é uma checagem automática de fatos oferecida pelo framework. Mesmo um trecho presente pode não sustentar a conclusão: “não é uma solicitação de reembolso” exige que a validação ou avaliação considere a negação.

Esse caminho é adequado para equipes de engenharia que já sabem quais campos o sistema seguinte aceita e precisam de um tratamento explícito de falhas. Ao exceder o limite de tentativas, registre o motivo e encaminhe o caso ao suporte, em vez de inserir valores padrão silenciosamente. As tentativas e a validação restringem a interface, mas não substituem a avaliação da qualidade da extração.

DSPy: melhorar o programa segundo critérios de negócio

DSPy também permite declarar estruturas. A documentação de Signature descreve campos e tipos de entrada e saída; os tipos mais ricos incluem modelos Pydantic. Portanto, a comparação não pode ser resumida a “Pydantic AI tem tipos e DSPy não”.

A diferença do DSPy está no caminho de otimização. A documentação oficial dos otimizadores apresenta o programa, a função de pontuação e as entradas de treinamento como materiais centrais. MIPROv2, por exemplo, explora combinações de instruções e demonstrações com poucos exemplos. Outros otimizadores podem ajustar os pesos do modelo, mas otimizar prompts não equivale sempre a treinar um novo modelo. Alguns fluxos podem começar com entradas sem rótulos; isso não elimina a necessidade de critérios confiáveis de aceitação para o suporte.

Nesta tarefa, pessoas que conhecem o negócio devem primeiro anotar os e-mails e distinguir reembolsos, consultas sobre cobranças e alterações de pedidos. Depois, definem-se as pontuações. Verifique separadamente a correspondência do pedido, o tipo de solicitação, o valor e a moeda, e o apoio das evidências. Esconder erros em campos críticos dentro de uma média recompensa programas inadequados ao negócio. A otimização segue o objetivo fornecido; não descobre sozinha regras que a equipe esqueceu.

Separe os exemplos usados no treinamento e na otimização daqueles usados na aceitação final. Considere dividir por cliente ou conversa para evitar que versões do mesmo e-mail apareçam nos dois conjuntos. Inclua campos ausentes, negações, vários pedidos e e-mails em diferentes idiomas. Sem essa preparação, aumentar as rodadas de otimização muitas vezes só aumenta a despesa e não justifica afirmar que a precisão melhorou.

Contabilizar chamadas sem confundir as camadas dos produtos

Aqui, Pydantic AI designa o SDK Python. Pydantic AI Harness é uma biblioteca de capacidades construída sobre ele para trabalhos de agentes mais complexos, envolvendo arquivos, planejamento e memória. A simples extração de campos de e-mails não exige introduzir um agente completo de longa duração. Logfire oferece observabilidade e depuração; seus custos de serviço e capacidades não devem ser tratados como preço ou requisitos do próprio SDK.

Os otimizadores do DSPy também não pagam pelas chamadas ao modelo em nome da equipe. Separe os custos comuns de inferência em produção e manutenção operacional das tentativas adicionais, anotação dos dados, busca de otimização, chamadas de avaliação e serviços opcionais de observabilidade. Mais exemplos no prompt também podem aumentar os tokens de entrada após a implantação. Uma pontuação melhor na otimização não implica automaticamente menor custo por e-mail.

Por exemplo, se um experimento processar 1.000 e-mails e 100 deles exigirem uma chamada adicional cada, haverá 100 chamadas extras. Isso não permite concluir diretamente que o custo aumentará 10%, pois os comprimentos das entradas e saídas podem variar. É um exemplo de orçamento, não a taxa de novas tentativas de qualquer produto. Contabilize também a otimização offline do DSPy separadamente e compare esse gasto com as economias ou os ganhos de qualidade em produção.

Usar o mesmo conjunto de e-mails para decidir o próximo passo

Se o problema principal são campos fora do contrato e exceções sem tratamento, comece com um serviço mínimo de extração em Pydantic AI, definindo campos anuláveis, regras de validação e encaminhamento das falhas. Se o formato já é estável, mas o significado da solicitação é frequentemente classificado de forma errada, e a equipe tem exemplos anotados e um responsável pela avaliação, use DSPy para comparar programas antes e depois da otimização em um conjunto de teste reservado.

Outra opção é otimizar o módulo de extração com DSPy e conectá-lo a um serviço existente de validação de tipos. Trata-se de uma decisão de arquitetura que exige integração de engenharia e testes de regressão, não de uma garantia pronta ao combinar os frameworks. Se uma chamada simples ao modelo com a validação existente já atende aos requisitos, não é necessário manter as duas abstrações.

Na aceitação, acompanhe separadamente pelo menos a taxa de conformidade estrutural, a correção dos campos críticos, a proporção de falhas encaminhadas, o custo total das chamadas por e-mail e a latência. Esta análise de seleção usa documentação oficial; não foi realizado um experimento comparativo de precisão. A escolha deve depender de a equipe precisar de controle da saída ou de um caminho mensurável para melhorar a interpretação semântica, e não da popularidade do framework.

Nota sobre o conteúdo:Este artigo foi elaborado com base em informações públicas e serve como referência para a escolha de ferramentas. Os recursos, os preços e as políticas relacionadas podem mudar a qualquer momento; consulte as informações oficiais mais recentes.

Fonte original:pydantic.dev