Samuel Colvin

Pydantic 的 AI 杠杆来自它掌握了 Python 的类型化数据边界，而不是因为它最初就是为 LLM 设计的。 Colvin 提到，Pydantic 仅 12 月就有近 3 亿次下载；他还表示，一家未具名的基础模型公司从 Pydantic v1 迁移到 v2 后，将首 token 延迟缩短了 20%。“AI 算是找上了我们”，但这种意外形成的定位，如今让 Pydantic 在模型 SDK 和结构化输出工具中获得了不同寻常的分发能力。

Pydantic AI 押注于生产工程能力，认为这将区分经得起时间考验的 agent 框架与机会主义封装层。 Colvin 批评整个生态在类型检查、覆盖率、lint 和文档纪律上都很薄弱，同时承认 LangChain 等早期项目当时是在创造一个新类别。Pydantic AI 接受更复杂的泛型设计，以换取生产安全：每个文档示例和打印结果都在测试中运行，因为这些实践本应是“无需思考的基本功”。

类型安全的图谱让 Colvin 改变了对编排的看法：原本蔓延的控制流被转化为可检查的 Python。 节点返回下一个有类型约束的节点，Pydantic 因此可以推断合法边，并在无需字符串式图定义的情况下生成 Mermaid 图。如今，标准 agent 实现本身就是一张图，但持久化状态存储和分布式执行仍在规划中，尚未完成。

Agent 框架正在弥补模型能力的不足，因此随着模型变强，其长期价值可能下降。 Alessio 提出“苦涩的教训”：开发者可以手工搭建反思和路由图，但更大、训练更充分的模型最终可能直接吸收这套工作流。Colvin 表示认同，并将今天受约束的 agent 比作训练不足的呼叫中心员工——他们需要脚本；“它们越聪明，我们就越不需要告诉它们该做什么。”

Logfire 的核心判断是，AI 可观测性不能继续与应用可观测性割裂。 Colvin 认为，包含模型 prompt 的 trace 所携带的敏感信息将比传统遥测“高出一个数量级”，因此部分客户会重视自托管。Logfire 因而定位于通用可观测性，同时提供一等 AI 支持；OpenTelemetry 的语义约定则可能统一不同框架中的模型调用数据。

Logfire 底层的基础设施押注在技术上有差异化，但商业代价高昂。 团队先后从 ClickHouse 转向 Timescale，最终选择 DataFusion，优先考虑 Rust 的可扩展性、对用户友好的 SQL 和开源架构，而不是更快上市。Colvin 承认这一选择“肯定拖慢了我们”，但它避免把利润让给托管数据库供应商，也让 Pydantic 可以自行实现缺失的计算内核。

管理层在保护 runway 的同时，利用开源和浏览器 demo 提升转化。 Pydantic 和 Pydantic AI 仍采用 MIT 许可证，而 Logfire 明确是闭源、营利性产品；尽管团队实际上同时在运营“3 到 4 家初创公司”，Colvin 仍希望在招聘前先获得更多收入。浏览器版 pydantic.run 旨在让潜在客户直接运行经过测试的示例，消除环境配置摩擦；团队计划加入模型代理，并可能与 Logfire 集成。

🔗 原始收听与视频来源： Agent Engineering with Pydantic + Graphs——对话 Pydantic Logfire CEO Samuel Colvin