Pythonなのに中身はRust！？pydanticの実力とテスト自動化＆OpenAI活用術

PythonでAPIを作ったり、外部サービスとやりとりしていると、こんな悩みありませんか？

• 入力値がちゃんと型に合ってるか不安。。
• 毎回バリデーションを書くのが面倒。。
• テストでもう一度条件を書くのがつらい。。

そんなときに使いたいのが、pydantic。 そしてその最新バージョン（v2〜）は、中身がRust製というちょっとビックリな進化を遂げています。。

今回は、文系SEの私が体験したpydanticの力と、テストやOpenAI APIの活用にまで広がる使い方をご紹介！

（この記事は広告を含みます。）

---

pydanticとは？

pydanticは、Pythonのクラスベースでデータ検証（バリデーション）ができるライブラリです。 簡単に言うと、「Pythonで型を守ってくれる親切な仕組み」。

docs.pydantic.dev

from pydantic import BaseModel

class User(BaseModel):
    id: int
    name: str
    age: int

このモデルに対して、文字列が来ても自動で型変換してくれたり、間違った値には怒ってくれたりします。

Rust製になって、なにが変わった？

pydanticはv1まではPythonだけで動いていましたが、v2から内部のコア処理がRustで実装されています。

**v2のポイント**
- バリデーション処理がRustで爆速化！
- 型変換＆検証の処理がより正確に
- `pydantic-core` というRustライブラリが裏で活躍

表向きはPythonのまま、でも中身は最強なRustさんが支えてくれてる…みたいなイメージですかね。

---

文系SE的pydanticの「ここがスゴい！」

• 自動で型変換してくれる（str → intなど）
• わかりやすいエラーメッセージ
• Pythonのクラスを書く感覚でバリデーションができる
• テストコードと再利用しやすい
• OpenAI APIのレスポンス構造にもぴったり！
• さらに！Literal型で値の「種類」まで制限できる

【実例】Literalで値の種類をシバる！

from pydantic import BaseModel
from typing import Literal

class Task(BaseModel):
    title: str
    status: Literal['todo', 'doing', 'done']  # ← この3つ以外はNG！

task = Task(title="書く", status="doing")  # OK
Task(title="書く", status="hold")          # → ValidationError！

Literalのメリット

• たとえば「ステータスは3種類だけ」みたいなルールを、コードに明示
• フロントエンドからの入力値のミスを自動でキャッチ
• API設計やLLMの出力制御にもめちゃ便利

リテラル型とは？

こちらを参照

kunio-ud-all.com

【実例】OpenAI APIの出力構造をpydanticで

OpenAIの出力も、構造を定義すれば型安全に扱えるように！

from pydantic import BaseModel, Field
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI

# 出力の構造を定義した Pydantic モデル
class Output(BaseModel):
    answer: str = Field(..., description="LLMの返答")
    score: float = Field(..., description="返答の信頼度")

# モデルに基づくパーサーを作成
parser = PydanticOutputParser(pydantic_object=Output)

# プロンプトテンプレートに、パーサーのフォーマット指示を注入
prompt = PromptTemplate(
    template="以下の質問に回答してください。\n{format_instructions}\n質問: {question}",
    input_variables=["question"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

# LLM（例：OpenAI のモデル）を指定してチェーンを構築
llm = OpenAI(temperature=0.3)
chain = prompt | llm | parser

# チェーンを実行すると、LLMの出力がOutput型にパースされる
result = chain.invoke({"question": "今日の天気はどうですか？"})
print(result)

自然言語を「構造化データ」に変える時代に必須な道具

【実例】テストコードとの相性も抜群だ！

バツグンだ！とかポケモン風ですね。子どもが良く話しているのを聞くので、ついつい。。。

import pytest
from pydantic import ValidationError
from models import Task

def test_valid_task():
    task = Task(title="記事を書く", status="todo")
    assert task.status == "todo"

@pytest.mark.parametrize("valid_status", ["todo", "doing", "done"])
def test_task_valid_statuses(valid_status):
    task = Task(title="記事を書く", status=valid_status)
    assert task.status == valid_status

def test_invalid_status():
    with pytest.raises(ValidationError):
        Task(title="記事を書く", status="waiting")  # 無効なstatusでエラー発生を確認

def test_task_empty_title():
    with pytest.raises(ValidationError):
        Task(title="", status="todo")

まとめ：pydanticは型と安心をくれる

• 型の力で安心感が得られる
• コードがスッキリ＆安全になる
• Rustのパワーでパフォーマンスも安心
• テストでもOpenAIでも活躍してくれる
• Literalで「選択肢をしばる」という安全性も追加！

FastAPIと相性が良いので、使っていきます。

kunio-ud-all.com

kunio-ud-all.com

改訂新版 最短距離でゼロからしっかり学ぶ Python入門 必修編 〜プログラミングの基礎からエラー処理、テストコードの書き方まで