from pydantic_ai import Agent

# 利用するLLMモデルと、エージェントの振る舞い（システム指示）を設定
agent = Agent(
    "openai:gpt-5.2",
    instructions="あなたは親切なアシスタントです。",
)

# 同期実行で1回だけ問い合わせ、レスポンスオブジェクトを受け取る
res = agent.run_sync("Pydantic AIについて一言で教えてください。")

# モデルが生成した最終テキストを表示
print(res.output)

<ul>
<li><a href="/article/2026/01/monthly-python-2601">
    Pythonで始めるマルチエージェントAI ― CrewAI入門
    <span class="author">杉田雅子</span>
    <time>2026-01-27</time>
</a></li>
<li><a href="/article/2025/12/monthly-python-2512">
    Rustで書かれた高速Python型チェッカー「Pyrefly」の紹介
    <span class="author">筒井隆次</span>
    <time>2025-12-04</time>
</a></li>
<li><a href="/article/2025/11/monthly-python-2511">
    t-string：テンプレート文字列リテラルの紹介
    <span class="author">鈴木たかのり</span>
    <time>2025-11-18</time>
</a></li>
<li><a href="/article/2025/10/monthly-python-2510">
    データ検証ライブラリPydanticの紹介
    <span class="author">寺田学</span>
    <time>2025-10-28</time>
</a></li>
<li><a href="/article/2025/09/monthly-python-2509">
    Python 3.14の新機能：asyncioタスク可視化機能を使ってみよう
    <span class="author">福田隼也</span>
    <time>2025-09-30</time>
</a></li>
<li><a href="/article/2025/08/monthly-python-2508">
    PrefectではじめるPythonワークフロー・フレームワーク
    <span class="author">門脇諭</span>
    <time>2025-08-28</time>
</a></li>
</ul>

from pathlib import Path

from pydantic import BaseModel, Field


# 解析対象のHTMLをファイルから読み込む
html_path = Path(__file__).with_name("pytopics.html")
SAMPLE_HTML = html_path.read_text(encoding="utf-8")


class ArticleInfo(BaseModel):
    """記事のメタデータ"""

    title: str = Field(description="記事のタイトル")
    author: str = Field(description="著者名")
    published_date: str = Field(description="公開日（YYYY-MM-DD形式）")
    url: str = Field(description="記事のURL（相対パス）")


class ArticleList(BaseModel):
    """記事一覧"""

    articles: list[ArticleInfo]

from openai import OpenAI

# 共通処理で宣言したSAMPLE_HTMLとクラスをインポート
from article_common import SAMPLE_HTML, ArticleList

# OpenAI APIクライアントを初期化
client = OpenAI()


# ---- OpenAI API Structured OutputsとAPI呼び出し ----
# PydanticモデルからJSONスキーマを生成し、OpenAI Structured Outputsの要件に合わせて加工する
# Structured Outputsでは、すべてのオブジェクト型にadditionalProperties: false が必要となっている
# 参考: https://developers.openai.com/api/docs/guides/structured-outputs
# しかし、Pydanticの model_json_schema() はこの設定を自動で追加しないため、手動で追加する
def make_strict_schema(schema: dict) -> dict:
    """JSONスキーマにadditionalProperties: falseを再帰的に追加する"""
    if schema.get("type") == "object":
        schema["additionalProperties"] = False
    for value in schema.values():
        if isinstance(value, dict):
            make_strict_schema(value)
    return schema


schema = make_strict_schema(ArticleList.model_json_schema())

# Responses APIでHTMLから記事情報を構造化抽出する
# openai.types.responses.response.Responseオブジェクトが返される
res = client.responses.create(
    model="gpt-5.2",
    instructions="与えられたHTMLから記事の一覧情報を抽出してください。",
    input=SAMPLE_HTML,
    text={  # JSONスキーマに従って構造化したデータを返すように指示
        "format": {
            "type": "json_schema",
            "name": "ArticleList",
            "schema": schema,
        }
    },
)

# 返却されたJSON文字列をPydanticで検証しながらパース
article_list = ArticleList.model_validate_json(res.output_text)

# 抽出した記事情報を出力
for article in article_list.articles:
    print(article)

from pydantic_ai import Agent

# 共通処理で宣言したSAMPLE_HTMLとクラスをインポート
from article_common import SAMPLE_HTML, ArticleList


# Agentのoutput_typeにArticleListを指定
agent = Agent(
    "openai:gpt-5.2",
    output_type=ArticleList,  # スキーマとしてPydanticのモデルを指定
    instructions="与えられたHTMLから記事の一覧情報を抽出してください。",
)

# SAMPLE_HTMLを入力としてAgentを実行
res = agent.run_sync(SAMPLE_HTML)

# res.outputはArticleList型のオブジェクトとして返される
for article in res.output.articles:
    print(article)

from datetime import date
from pathlib import Path

from pydantic import BaseModel, Field, field_validator


# 解析対象のHTMLをファイルから読み込む
html_path = Path(__file__).with_name("pytopics.html")
SAMPLE_HTML = html_path.read_text(encoding="utf-8")


class ArticleInfo(BaseModel):
    """記事のメタデータ"""

    title: str = Field(
        min_length=1, description="記事のタイトル"
    )  # min_length=1で空文字を禁止
    author: str = Field(min_length=1, description="著者名")
    published_date: date = Field(description="公開日")  # date型で日付形式を強制
    url: str = Field(description="記事のURL（相対パス）")

    @field_validator("url")
    @classmethod
    def validate_url_format(cls, v: str) -> str:
        """URLが`/article/`で始まる相対パスかを検証し、不正なら例外を送出する"""
        if not v.startswith("/article/"):
            raise ValueError(
                f"URLは'/article/'で始まる相対パスである必要があります（実際の値: {v}）"
            )
        return v


class ArticleList(BaseModel):
    """記事一覧"""

    articles: list[ArticleInfo] = Field(min_length=1)

from pydantic_ai import Agent

# 共通処理で宣言したSAMPLE_HTMLと厳密な記事一覧モデルをインポート
from article_common_strict import SAMPLE_HTML, ArticleList


# retriesオプションを追加
agent = Agent(
    "openai:gpt-5.2",
    output_type=ArticleList,
    instructions="与えられたHTMLから記事の一覧情報を抽出してください。",
    retries=3,  # バリデーション失敗時に最大3回リトライ
)

res = agent.run_sync(SAMPLE_HTML)

# res.outputはArticleList型のオブジェクトとして返される
for article in res.output.articles:
    print(article)

ARTICLE_BODIES: dict[str, str] = {
    "/article/2026/01/monthly-python-2601": "CrewAIは複数のAIエージェントを協調させるフレームワークです...",
    "/article/2025/12/monthly-python-2512": "PyreflyはMeta社が開発したRust製のPython型チェッカーです...",
    "/article/2025/11/monthly-python-2511": "t-stringはPython 3.14で導入されたテンプレート文字列リテラルです...",
    "/article/2025/10/monthly-python-2510": "Pydanticはデータバリデーションと設定管理のためのライブラリです...",
    "/article/2025/09/monthly-python-2509": "Python 3.14ではasyncioにタスク可視化機能が追加されました...",
    "/article/2025/08/monthly-python-2508": "PrefectはPythonベースのワークフロー管理フレームワークです...",
}

from datetime import date
from typing import Literal

from pydantic import BaseModel, Field


class ArticleInfo(BaseModel):
    """記事のメタデータ（カテゴリ・タグ付き）"""

    title: str = Field(min_length=1, description="記事のタイトル")
    author: str = Field(min_length=1, description="著者名")
    published_date: date = Field(description="公開日")
    url: str = Field(description="記事のURL（相対パス）")
    # カテゴリは以下の選択肢のいずれかとする
    category: Literal[
        "Web開発",
        "型・ツール",
        "AI・機械学習",
        "パッケージ管理",
        "Python新機能",
        "その他",
    ] = Field(description="記事のカテゴリ")
    # タグは1～5個のリストとする
    tags: list[str] = Field(
        min_length=1,
        max_length=5,
        description="技術タグのリスト",
    )
    # field_validatorは前節と同じため省略

# Agentのinstructionsで、ツールを使って記事本文を参照するように指示
agent = Agent(
    "openai:gpt-5.2",
    output_type=ArticleList,
    instructions=(
        "与えられたHTMLから記事の一覧情報を抽出してください。"
        "各記事のカテゴリとタグを判定するために、"
        "fetch_article_bodyツールで記事本文を参照してください。"
    ),
    retries=3,
)


# fetch_article_bodyツールを定義
@agent.tool_plain
def fetch_article_body(url: str) -> str:
    """記事のURLを受け取り、記事本文の冒頭部分を返す。

    Args:
        url: 記事の相対パス（例: /article/2026/01/monthly-python-2601）
    """
    body = ARTICLE_BODIES.get(url)
    if body:
        return body
    return f"{url}: 本文が見つかりません"

from dataclasses import dataclass


@dataclass
class ArticleDeps:
    # エージェントが必要とする依存リソースをまとめたdataclass
    article_bodies: dict[str, str]

from pydantic_ai import Agent

agent = Agent(
    "openai:gpt-5.2",
    output_type=ArticleList,
    deps_type=ArticleDeps,  # ← 依存リソースの型を宣言
    instructions=(
        "与えられたHTMLから記事の一覧情報を抽出してください。"
        "各記事のカテゴリとタグを判定するために、"
        "fetch_article_bodyツールで記事本文を参照してください。"
    ),
    retries=3,
)

from pydantic_ai import RunContext


@agent.tool
def fetch_article_body(ctx: RunContext[ArticleDeps], url: str) -> str:
    """記事のURLを受け取り、記事本文の冒頭部分を返す。

    Args:
        ctx: 実行コンテキスト（依存リソースへのアクセス手段）
        url: 記事の相対パス（例: /article/2026/01/monthly-python-2601）
    """
    body = ctx.deps.article_bodies.get(url)
    if body:
        return body
    return f"{url}: 本文が見つかりません"

# 本番用データ（実際にはDBやAPIから取得）
prod_deps = ArticleDeps(
    article_bodies={
        "/article/2026/01/monthly-python-2601": "CrewAIは複数のAIエージェントを協調させるフレームワークです...",
        "/article/2025/12/monthly-python-2512": "PyreflyはMeta社が開発したRust製のPython型チェッカーです...",
        # ...
    }
)
# run_syncの第1引数は、モデルに解析させる対象データ（SAMPLE_HTML）
# deps引数は、ツール内で参照する外部依存データ（prod_deps）
res = agent.run_sync(SAMPLE_HTML, deps=prod_deps)
for article in res.output.articles:
    print(article)