基于pydantic-ai构建智能对话代理实现用户偏好收集

在智能应用开发中，如何构建一个能够与用户进行多轮交互的智能代理是一个常见需求。本文将介绍如何利用pydantic-ai项目中的Agent类实现一个智能手机推荐系统的交互逻辑。

核心设计思路

该系统的核心目标是收集用户对智能手机的偏好信息，包括预算、操作系统、屏幕尺寸等关键参数。系统需要具备以下能力：

1. 能够逐步引导用户提供必要信息
2. 控制交互轮次不超过4次
3. 在收集足够信息后自动终止对话
4. 将收集的信息结构化存储

关键技术实现

1. 定义数据结构

首先使用Pydantic模型定义用户偏好数据结构：

class UserPreferences(BaseModel):
    summary: list[str] = Field(description="用户偏好的摘要信息")

2. 配置智能代理

创建Agent实例时，关键配置包括：

• 指定大模型（如Gemini 1.5 Flash）
• 设置返回类型为Union[UserPreferences, str]
• 精心设计系统提示词

agent = Agent(
    model="google-gla:gemini-1.5-flash",
    result_type=UserPreferences | str,
    system_prompt="""..."""
)

3. 交互循环实现

实现主循环处理用户交互：

while user_prompt.lower() not in ["q", "quit", "exit"]:
    res = await agent.run(...)
    if isinstance(res.data, UserPreferences):
        break
    # 获取用户输入

系统提示词设计要点

有效的系统提示词应包含：

1. 明确的任务目标
2. 交互规则（如每次只问一个问题）
3. 最大交互轮次限制
4. 关键参数收集优先级
5. 结果输出格式要求

实际应用效果

当系统运行时：

1. 代理会逐步询问预算、操作系统偏好等关键信息
2. 用户可以在任意回答中包含多个偏好
3. 系统在收集足够信息后自动生成结构化摘要
4. 完整的对话历史会被记录下来

扩展应用场景

这种交互模式可应用于：

1. 产品推荐系统
2. 用户需求调研工具
3. 智能问卷调查
4. 个性化服务配置向导

最佳实践建议

1. 合理控制单次交互的信息量
2. 提供明确的退出机制
3. 对用户意外输入保持鲁棒性
4. 考虑添加上下文记忆能力
5. 设计友好的交互引导语

通过pydantic-ai的Agent类，开发者可以快速构建出功能完善的智能交互系统，大大降低了开发复杂对话应用的难度。