Stacks IA
Agents typés avec des outils de scraping Piloterr
Construisez des agents Pydantic AI qui appellent les APIs REST Piloterr comme outils typés. Obtenez du JSON structuré depuis des sites protégés avec entrées, sorties et injection de dépendances validées.
- Fonctions @agent.tool typées avec des modèles Pydantic
- Appels HTTP async vers Piloterr
- JSON structuré pour des sorties agent validées
- Contournement anti-bot sans maintenance navigateur
En bref
Typé
E/S tools
400+
sources de données
Async
HTTP ready
REST
API HTTP
Pourquoi connecter Pydantic AI
Contrats d'outils validés
Définissez des modèles Pydantic entrée/sortie par endpoint Piloterr, détectez les payloads invalides avant l'API.
Agents Python modernes
Runtime agent léger avec support async natif pour les appels scrape I/O-bound.
Injection de dépendances
Injectez clés API et clients HTTP via RunContext, gestion propre des secrets en production.
Données web fiables
Les agents consomment du JSON Piloterr au lieu de parser du HTML, moins d'hallucinations, meilleures citations.
Cas d'usage Pydantic AI + Piloterr
Agents Python production alimentés par des données web live.
Agents de recherche
Des outils actualités et SERP typés alimentent des réponses résumées avec métadonnées de sources.
Services d'enrichissement
Endpoint API qui enrichit les leads via scrapes LinkedIn et entreprise.
Agents de surveillance
Exécutions planifiées comparent les sorties de scrape et émettent des alertes structurées.
Copilotes internes
Bots Slack ou CLI avec outils Piloterr et schémas stricts.
Pourquoi Pydantic AI + Piloterr
| Approche | Solution maison | Piloterr |
|---|---|---|
| Outils requests non typés | Dérive de schéma, erreurs à l'exécution | Entrées/sorties validées Pydantic |
| Scrapers httpx faits maison | Bloqués sur cibles WAF | Contournement géré |
| Réponses dict brutes | L'agent interprète mal les champs | Schémas JSON stables |
| Frameworks agents lourds | Configuration complexe | Encapsulation minimale |
Connecter Pydantic AI en quatre étapes
Étape 1
Installez Pydantic AI
pip install pydantic-ai httpx
Étape 2
Obtenez votre clé API
Définissez PILOTERR_API_KEY dans votre environnement.
Obtenez votre clé APIÉtape 3
Enregistrez les outils Piloterr
Ajoutez des fonctions @agent.tool qui appellent les endpoints REST et renvoient des modèles typés.
Étape 4
Lancez l'agent
agent.run_sync() ou await agent.run(), le modèle choisit les outils quand des données en direct sont nécessaires.
Exemples de workflows
API d'enrichissement typée
Route FastAPI exécute un agent Pydantic AI avec outils LinkedIn et entreprise.
Bot de recherche async
Appels httpx concurrents vers plusieurs endpoints Piloterr dans une exécution agent.
Job de surveillance validé
Tâche planifiée invoque un agent qui produit un modèle Pydantic d'alerte quand les prix changent.
Assistant recherche CLI
Copilot terminal avec schéma de sortie strict pour la veille marché hebdomadaire.
Quand choisir Pydantic AI vs autres frameworks
Scénario
Agents Python avec typage strict
Recommandation: Pydantic AI
Scénario
Crews multi-rôles
Recommandation: CrewAI
Scénario
Graphes avec checkpoints
Recommandation: LangGraph
Scénario
Assistants de code IDE
Recommandation: MCP
Exemple d'outil Pydantic AI
Un agent typé avec un outil Google News via Piloterr.
import os
import httpx
from pydantic import BaseModel
from pydantic_ai import Agent, RunContext
PILOTERR_KEY = os.environ["PILOTERR_API_KEY"]
BASE = "https://api.piloterr.com/v2"
class NewsQuery(BaseModel):
query: str
location: str = "Paris, FR"
agent = Agent(
"openai:gpt-4.1-mini",
system_prompt="Vous êtes un assistant recherche avec des tools de scraping web.",
)
@agent.tool
async def search_google_news(ctx: RunContext[None], params: NewsQuery) -> dict:
"""Recherche Google News pour des articles récents."""
async with httpx.AsyncClient(timeout=60) as client:
response = await client.post(
f"{BASE}/google/news",
headers={"x-api-key": PILOTERR_KEY, "Content-Type": "application/json"},
json={"query": params.query, "location": params.location, "page": 1},
)
response.raise_for_status()
return response.json()
result = agent.run_sync("Quels sont les derniers titres sur la régulation IA en France ?")
print(result.output)
LangChain
LangGraph
CrewAI
MCPTarification transparente en crédits
Payez uniquement les requêtes réussies. Commencez avec +500 crédits, puis évoluez avec des forfaits à partir de 49 $/mois.
Premium
$49/mois
18,000 crédits
Premium+
$99/mois
40,000 crédits
Startup
$249/mois
110,000 crédits