📘 Clase 03: Salidas Estructuradas y Validación Tipada con Pydantic V2
- :material-bookmark: Curso: Curso 3: Creación y Desarrollo de Agentes de IA (CLASE 03)
- :material-signal-cellular-outline: Nivel:
Nivel 3 - Avanzado - :material-lightbulb-on: Metáfora Central: «El Inspector de Aduanas y el Formulario Rígido (Validación Estricta)»
- :material-laptop: Wisrovi Studio (Local): 🚀 Abrir Reto • 👨🏫 Modo Tutor
- :material-file-pdf-box: Manual PDF Oficial: Descargar clase-03-salidas-estructuradas-pydantic.pdf
-0284c7?logo=python&logoColor=white){kind=icon}
1. 💡 Fundamentación Teórica y Modelo Mental
Garantizar que las respuestas del LLM cumplan con contratos de software sin alucinaciones:
1. Esquemas Pydantic (BaseModel): Tipado estático con Field(ge=..., le=...) y validadores.
2. Extracción JSON Forzada: Conversión de texto no estructurado en objetos fuertemente tipados.
3. Manejo de Errores de Validación: ValidationError para reintentar prompts automáticamente.
🌟 Modelo Mental de la Sesión: «El Inspector de Aduanas y el Formulario Rígido (Validación Estricta)»
En esta sesión anclamos el aprendizaje en la metáfora del mundo real para visualizar cómo fluyen las estructuras de datos y el flujo de ejecución en la memoria.
2. 🗺️ Arquitectura de Ejecución y Diagrama de Flujo
flowchart LR
A["📝 JSON LLM: '{"entidad": "Python", "confianza": 0.95}'"] --> B["🛂 Pydantic BaseModel Validator"]
B -->|Válido| C["📦 Objeto Python Seguro ExtractionSchema"]
B -->|Inválido| D["💥 ValidationError & Retry"]
style A fill:#1e293b,color:#ffffff,stroke:#3b82f6,stroke-width:2px
style B fill:#0f766e,color:#ffffff,stroke:#2dd4bf,stroke-width:2px
style C fill:#059669,color:#ffffff,stroke:#34d399,stroke-width:2px
style D fill:#881337,color:#ffffff,stroke:#fb7185,stroke-width:2px3. 💻 Código de Implementación Práctica
```python from pydantic import BaseModel, Field
class UsuarioIA(BaseModel): nombre: str edad: int = Field(ge=0, le=120) habilidades: list[str]
u = UsuarioIA(nombre="Wisrovi", edad=30, habilidades=["FastAPI", "Agentes"]) print("Modelo validado:", u.model_dump_json()) ```
```python import json
raw_json = '{"nombre": "Agent-01", "score": 98.5}' parsed = json.loads(raw_json) print("JSON cargado:", parsed) ```
4. 🛡️ Buenas Prácticas PEP 8: Antipatrones vs Código Pythonic
⚠️ Cuidado con los Antipatrones
```python data = json.loads(respuesta_llm)
total = data['precio'] * 2 # ❌ Falla si 'precio' vino como None o string ```
```python data = FacturaModel.model_validate_json(respuesta_llm)
total = data.precio * 2 # ✅ Garantizado float tipado ```
5. 🏋️ Desafío Práctico de la Clase
🎯 Enunciado del Reto
Crea una clase ExtractionSchema(BaseModel) con campos: entidad: str, confianza: float = Field(ge=0.0, le=1.0) y etiquetas: list[str], y una función validar_extraccion_json(payload_json: str) -> ExtractionSchema que valide y retorne la instancia.
⚡ Resolución Híbrida en 1 Clic (Local + Web)
Si tienes ejecutando wisrovi ui en tu terminal local, puedes 🚀 Abrir este Reto directamente en tu Studio Local (127.0.0.1:8501) para escribir tu código con auto-formateo AST, inspeccionar variables en el Heap/Stack y evaluarlo con pruebas en tiempo real.
```python import json
from pydantic import BaseModel, Field
class ExtractionSchema(BaseModel): entidad: str confianza: float = Field(ge=0.0, le=1.0) etiquetas: list[str]
def validar_extraccion_json(payload_json: str) -> ExtractionSchema: # ✍️ Deserializa y valida con Pydantic datos = json.loads(payload_json) return ExtractionSchema(**datos)
```
💡 Pista Socrática 1
💡 Pista 1: Define confianza: float = Field(ge=0.0, le=1.0).
💡 Pista Socrática 2
💡 Pista 2: Usa json.loads(payload_json) para obtener el diccionario.
💡 Pista Socrática 3
💡 Pista 3: Retorna ExtractionSchema(**datos).
Para resolver este ejercicio en tu entorno:
1. Abre el archivo ejercicios/reto.py de esta clase en Visual Studio Code o utiliza wisrovi ui / wisrovi tutor.
2. Implementa tu solución cumpliendo los requisitos y contratos de tipado.
3. Valida tus resultados ejecutando las pruebas unitarias: