Type Hints & Pydantic

1.2 Advanced Typing & Validation

Objetivo: Validación de datos robusta con type hints y Pydantic v2.

📖 Teoría Profunda

Nominal vs Structural Typing

Nominal (Inheritance):

from abc import ABC, abstractmethod

class LLMProvider(ABC):
    @abstractmethod
    def generate(self, prompt: str) -> str:
        pass

class OpenAIProvider(LLMProvider):
    def generate(self, prompt: str) -> str:
        return "response"

Structural (Protocol):

from typing import Protocol

class LLMProvider(Protocol):
    def generate(self, prompt: str) -> str: ...

# No necesita herencia!
class OpenAIProvider:
    def generate(self, prompt: str) -> str:
        return "response"

Pydantic v2 Deep Dive

from pydantic import BaseModel, Field, SecretStr, model_validator

class Config(BaseModel):
    env: str = Field(..., pattern="^(dev|staging|prod)$")
    debug: bool = True
    openai_key: SecretStr

    @model_validator(mode='after')
    def check_prod_no_debug(self):
        if self.env == "prod" and self.debug:
            raise ValueError("DEBUG must be False in prod")
        return self

⚔️ Pregunta de Entrevista

“En un sistema distribuido, ¿cómo garantizas que el JSON del Agente A cumple el contrato del Agente B sin compartir código?”

Respuesta: Pydantic schemas publicados como OpenAPI/JSON Schema + validation en el edge.

🧪 Lab Práctico: “The Secure Config Manager”

Ver contenido completo en COURSE.md línea 166-172.

➡️ Siguiente

1.3 Memory Management →