cerberus 的 validate() 不返回布尔值判断结果，需配合 errors 属性检查；pydantic v2 的 model_validate() 不自动解析 json 字符串，须先 json.loads() 或用 model_validate_json()。
cerberus 的 validate() 不返回布尔值，容易误判校验结果
很多人写 if validator.validate(data): 就以为校验通过了，但 validate() 默认只返回 True 或 False，不暴露错误细节，且在 schema 有 allow_unknown=True 或字段带 Nullable 时行为更隐蔽。真要判断是否通过，得配合 errors 属性看有没有内容。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 永远用
validator.validate(data)+validator.errors双检查，别只信返回值 - 想快速失败（fail-fast），加参数
validator.validate(data, abort_on_first_error=True) -
errors是 dict，嵌套结构报错时键名是 tuple（如('users', 0, 'age')），不是点号路径，遍历时注意 unpack - 如果只想要布尔结果且忽略所有细节，用
validator.is_valid(data)更直白
pydantic v2 的 model_validate() 要求输入是 dict 或对象，不能直接喂 JSON 字符串
从 JSON API 接收的原始字符串，直接传给 model_validate() 会抛 TypeError: expected dict or Object —— 它不自动 json.loads()。这点和 cerberus 的 validate()（接受任意类型并尝试取键）完全不同。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- JSON 字符串必须先
json.loads()再进model_validate() - 需要反序列化+校验一步到位？用
model_validate_json()，它专为字符串设计 - 如果数据来自表单或 query String（非 JSON），别硬塞进 Pydantic 模型，先用
dict()构造或改用model_construct()（跳过校验） - v2 中
parse_obj()已废弃，别再用
字段级 default 和 default_factory 在两者中语义不同
cerberus 的 default 是“字段缺失时填入的值”，而 pydantic 的 default 是“字段未传且未设为 None 时的默认值”，但若字段声明为 Optional[str] = None，它就不再触发 default，而是留空为 None。更麻烦的是，pydantic 的 default_factory 必须是 callable，cerberus 却允许写死值或函数。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- cerberus 中写
'age': {'type': 'integer', 'default': 0}行得通；pydantic 中对应得写age: int = 0或age: int = Field(default=0) - 动态默认值：cerberus 用
'default': Lambda: datetime.now()；pydantic 必须用age: datetime = Field(default_factory=datetime.now)（不带括号） - pydantic 中，
Field(default=None)和Optional[T]同时出现，会导致字段可为空但不触发 default，容易漏掉初始化逻辑
嵌套字典校验时，cerberus 需显式声明 schema，pydantic 用类型注解即隐式约束
比如校验 {'user': {'name': 'alice', 'tags': ['a', 'b'] }}，cerberus 要在 schema 里一层层写 'user': {'type': 'dict', 'schema': {...}}，稍一漏写 schema，整个子字典就变成宽松模式（只校 key 类型，不校 value）。pydantic 则靠嵌套模型自动递归校验，但代价是定义成本高、运行时开销略大。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- cerberus 嵌套 dict 必须配
'schema'，没写就是放行 —— 这是最大坑，尤其在 copy-paste schema 时容易漏 - pydantic 中，嵌套字段类型写成
user: User就够了，但User类必须已定义且 import 正确，循环引用要用from __future__ import annotations+ForwardRef - 性能敏感场景（如日志过滤、高频配置校验），cerberus 更轻量；需 ide 提示、文档生成或与 fastapi 深度集成时，pydantic 更省心
事情说清了就结束。校验逻辑一旦嵌套三层以上，cerberus 的 schema 维护成本会指数上升，而 pydantic 的启动时间和内存占用在冷启动服务里可能被低估——这两个点，上线前最好压测一下。