Was ich auf der PyAI Conf in San Francisco gelernt habe — Wo Python auf produktive AI Agents trifft

Heute war ich auf der PyAI Conf in San Francisco — eine eintaegige Konferenz, veranstaltet von Pydantic, FastMCP (Prefect) und Theory Ventures. Das Lineup war absurd: Samuel Colvin, Sebastian Ramirez Montano, Jeremiah Lowin, Armin Ronacher und Guido van Rossum — der Schoepfer von Python hoechstpersoenlich.

Das hier ist mein Bericht vom selben Tag. Keine Pressemitteilung — einfach was ich gesehen, gehoert und aus einem einzigen, vollgepackten Tag mitgenommen habe.

---

Ich bin Kacper, AI Engineer bei Vstorm — einer Applied Agentic AI Engineering Consultancy. Wir haben 30+ produktive AI-Agent-Implementierungen ausgeliefert und stellen unsere Tools als Open Source unter github.com/vstorm-co bereit. Verbinde dich mit mir auf LinkedIn.

---

Die Stimmung: Kein Blabla, nur Ingenieure

Das Erste, was mir beim Reinkommen auffiel: Das war keine typische Tech-Konferenz mit Staenden und Pitch Decks. Es war eine Community von Ingenieuren, die die Tools bauen, die modernes Python antreiben — und ueber praktische AI, LLMs und Agents in Produktion reden.

Kein Hype. Keine “AI wird alles veraendern”-Keynotes. Einfach Leute, die Code ausliefern und teilen, was funktioniert und was nicht.

Das Panel, das den Tag definierte

Das Highlight war ein Panel mit Samuel Colvin (Pydantic), Sebastian Ramirez Montano (FastAPI), Jeremiah Lowin (Prefect & FastMCP) und Guido van Rossum.

Die Diskussion drehte sich darum, wohin sich das Python-Oekosystem entwickelt, waehrend wir die naechste Generation von AI- und Agentensystemen bauen — und welche neuen Herausforderungen Open-Source-Projekte in einer Welt mit explodierenden Coding Agents erwarten.

Ein paar Dinge, die herausstachen:

Pythons Rolle in AI ist kein Zufall. Guido sprach darueber, wie Pythons Lesbarkeit und Flexibilitaet es zur natuerlichen Heimat fuer AI-Tooling machten. Aber er wies auch darauf hin, dass die Sprache sich weiterentwickeln muss — bessere Async-Primitive, bessere Type-Unterstuetzung, bessere Performance fuer die Art von langlaufenden Agent-Prozessen, die wir jetzt alle bauen.

Die Open-Source-Herausforderung durch AI Coding Agents. Jeremiah brachte einen Punkt auf, ueber den ich nicht tief nachgedacht hatte: Wenn AI Coding Agents Code in grossem Massstab generieren koennen, was passiert dann mit der Open-Source-Wartung? Pull Requests von Agents sehen anders aus. Issue Reports von Agents sehen anders aus. Der soziale Vertrag von Open Source verschiebt sich, und Framework-Maintainer muessen sich anpassen.

Type Safety ist das Fundament, nicht das Feature. Samuel argumentierte, dass Type Safety bei LLM-Interaktionen kein Nice-to-have ist — es ist das, was den Unterschied zwischen Prototyp-Code und Produktionscode ausmacht. Wenn dein Agent validierte, typisierte Daten zurueckgibt, kannst du zuverlaessige Systeme darauf aufbauen. Wenn er Any zurueckgibt, schreibst du ewig Parsing-Code.

Was ich auf den Fluren gehoert habe

Die eigentliche Konferenz fand zwischen den Sessions statt — in Gespraechen beim Kaffee und in den Pausen.

Jeder baut Agents, aber das “Wie” variiert enorm. Manche Teams setzen voll auf Multi-Agent-Orchestrierung. Andere bleiben bei einzelnen Agents mit guten Tools. Der Konsens: Begrenzte Sub-Agent-Delegation funktioniert (ein Parent, 2-3 spezialisierte Sub-Agents), aber der “Schwarm von 15 autonomen Agents” ist immer noch mehr Wunsch als Produktion.

Framework-Konvergenz ist real. Ich sprach mit Ingenieuren, die verschiedene Frameworks nutzen — Pydantic AI, LangChain, LangGraph, CrewAI — und sie konvergieren alle auf dieselben Muster: typisierte Tool-Definitionen, Structured Outputs, austauschbare Model-Provider, Sub-Agent-Delegation. Die APIs sehen unterschiedlich aus, aber die Architektur darunter gleicht sich an.

Produktionsreife ist der neue Massstab. Niemand fragte “kann dein Framework X?” — sie fragten “was passiert, wenn X um 3 Uhr nachts ausfaellt?” Fehlerbehandlung, Kostenueberwachung, Failure Recovery, Observability. Das sind die Gespraeche, die jetzt zaehlen.

Die Pydantic AI Community ist stark. Contributors, die sich nur von GitHub kannten, trafen sich zum ersten Mal persoenlich. Es gibt eine echte Kameradschaft — gemeinsame Probleme, gemeinsame Muster, Bereitschaft zu helfen. Samuel Colvin und das Pydantic-Team haben etwas Besonderes aufgebaut, das ueber den Code hinausgeht.

Die Punkte verbinden

Ich kam zur PyAI Conf als jemand, der Open-Source AI-Agent-Tooling bei Vstorm baut. Zwei Dinge haben besonders mit dem resoniert, woran wir arbeiten:

Das “plan -> execute -> delegate”-Muster taucht immer wieder auf. Mehrere Leute, mit denen ich sprach — unabhaengig voneinander — beschrieben dieselbe Architektur fuer produktive Agents: ein LLM, das plant, Tools, die ausfuehren, Sub-Agents, die spezialisieren. Es ist das Muster hinter Claude Code, und es ist das, was wir in pydantic-deepagents implementieren. Wenn mehrere Teams aus verschiedenen Richtungen auf dieselbe Architektur konvergieren, ist das ein Signal.

Framework-Wahl sollte keine Verpflichtung sein. Mehrere Ingenieure teilten ihre Frustration darueber, an ein Framework gebunden zu sein. Die Idee, mehrere Frameworks hinter derselben Infrastruktur zu unterstuetzen — was unser full-stack-ai-agent-template mit 5 verschiedenen AI-Frameworks macht — stiess in Gespraechen auf echtes Interesse. Die Leute wollen die Freiheit zu wechseln, ohne alles neu schreiben zu muessen.

Drei Dinge, die ich mitnehme

1. Bessere Fehlergeschichten. Die wertvollsten Vortraege heute waren keine Erfolgsgeschichten — es waren Fehlergeschichten. Agent-Retry-Schleifen, die Hunderte Dollar verbrannt haben. Memory Leaks durch nicht bereinigte Tool-Ergebnisse. Ich will offener sein und auch unsere Fehler teilen.

2. Tieferes Investment in das Pydantic AI Oekosystem. Nachdem ich die Community persoenlich getroffen habe, bin ich ueberzeugter denn je, dass hier die Zukunft von produktiver AI in Python liegt. Type Safety, Structured Outputs, zusammensetzbare Agents — das ist das richtige Fundament.

3. Same-Day-Energie ist real. Ich schreibe das auf dem Rueckflug, waehrend alles noch frisch ist. Die Verbindungen, die heute entstanden sind, sind mehr wert als jede Dokumentation, die ich dieses Jahr gelesen habe.

Abschluss

Die PyAI Conf hat etwas bewiesen: Die Python-AI-Community waechst nicht nur — sie reift. Die Gespraeche heute drehten sich um Zuverlaessigkeit, Wartbarkeit und die schwierigen Engineering-Probleme, die kommen, nachdem die Demo funktioniert.

Grosses Dankeschoen an Pydantic, Prefect/FastMCP und Theory Ventures fuer die Organisation. Und an Samuel Colvin, Sebastian Ramirez Montano, Jeremiah Lowin, Armin Ronacher und Guido van Rossum dafuer, dass das Panel eine der besten Tech-Diskussionen war, an denen ich teilgenommen habe.

Bis zum naechsten Mal.

---

Ressourcen:

• pydantic-deepagents — Modulares AI-Agent-Framework (Claude Code Architektur, Open Source)
• full-stack-ai-agent-template — Von Null zur Produktion (5 Frameworks, 75+ Optionen)