DSPy：用编程而非提示来驾驭基础模型

文档： DSPy 文档

---

DSPy 是一个用于通过编程而非提示来操控语言模型的框架。它使你能够快速迭代地构建模块化 AI 系统，并提供算法来优化其提示和权重，无论你是要构建简单的分类器、复杂的 RAG 流程，还是智能体循环。

DSPy 代表“声明式的自我改进 Python”。与其使用脆弱的提示模板，不如编写组合式的 Python 代码，然后利用 DSPy 来 教会你的语言模型生成高质量的输出。更多内容请访问我们的官方文档网站，或通过本 GitHub 仓库以及我们的Discord 社区与社区交流、寻求帮助或参与贡献。

文档：dspy.ai

请前往 dspy.ai 上的 DSPy 文档

安装

pip install dspy

若需安装 main 分支上的最新版本：

pip install git+https://github.com/stanfordnlp/dspy.git

📜 引用与进一步阅读

如果你想深入了解该框架，请访问 dspy.ai 上的 DSPy 文档。

如果你希望了解其背后的科研工作，以下是我们发表的相关论文：

[2025年7月] GEPA：反思式提示进化可超越强化学习
[2024年6月] 为多阶段语言模型程序优化指令与示范
[2023年10月] DSPy：将声明式语言模型调用编译为自改进流水线
[2024年7月] 微调与提示优化：两项相辅相成的绝佳实践
[2024年6月] 提示作为自动优化的训练超参数
[2024年2月] 利用大型语言模型从零开始撰写维基百科式文章
[2024年1月] 面向极端多标签分类的上下文学习
[2023年12月] DSPy 断言：用于自精炼语言模型流水线的计算约束
[2022年12月] 演示-搜索-预测：为知识密集型 NLP 组合检索与语言模型

如需保持更新或了解更多，请在 Twitter 上关注 @DSPyOSS，或在 LinkedIn 上关注 DSPy 页面。

DSPy 的标志由 Chuyi Zhang 设计。

如果你在研究论文中使用了 DSPy 或 DSP，请按以下方式引用我们的工作：

@inproceedings{khattab2024dspy,
  title={DSPy：将声明式语言模型调用编译为自改进流水线},
  author={Khattab, Omar and Singhvi, Arnav and Maheshwari, Paridhi and Zhang, Zhiyuan and Santhanam, Keshav and Vardhamanan, Sri and Haq, Saiful and Sharma, Ashutosh and Joshi, Thomas T. and Moazam, Hanna and Miller, Heather and Zaharia, Matei and Potts, Christopher},
  journal={第十二届国际学习表征会议},
  year={2024}
}
@article{khattab2022demonstrate,
  title={演示-搜索-预测：为知识密集型 {NLP} 组合检索与语言模型},
  author={Khattab, Omar and Santhanam, Keshav and Li, Xiang Lisa and Hall, David and Liang, Percy and Potts, Christopher and Zaharia, Matei},
  journal={arXiv 预印本 arXiv:2212.14024},
  year={2022}
}

DSPy 快速上手指南

DSPy 是一个用于编程而非提示词工程的大语言模型框架。它允许开发者通过编写模块化的 Python 代码来构建 AI 系统，并提供算法自动优化提示词（Prompts）和模型权重，适用于分类器、RAG 管道及智能体（Agent）循环等场景。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：建议 Python 3.8 或更高版本
• 前置依赖：
  • pip 包管理工具
  • 有效的 LLM API 密钥（如 OpenAI, Anthropic 等，用于实际运行模型）

安装步骤

方式一：安装稳定版（推荐）

使用 pip 直接安装官方发布的稳定版本：

pip install dspy

国内加速建议：如果遇到下载速度慢的问题，可以使用国内镜像源（如清华源）进行安装：

pip install dspy -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：安装最新开发版

如果您需要体验 main 分支的最新功能：

pip install git+https://github.com/stanfordnlp/dspy.git

基本使用

DSPy 的核心理念是将提示词定义为 Python 代码中的模块（Signature），并通过编译器（Compiler）自动优化这些模块。以下是一个最简单的文本分类示例流程：

1. 定义签名与模块

首先，声明输入和输出的格式（Signature），然后将其包装为一个 LM 模块。

import dspy

# 1. 定义任务签名：输入是问题，输出是答案（是/否）
class AnswerQuestion(dspy.Signature):
    """Answer the question with a yes or no."""
    question = dspy.InputField()
    answer = dspy.OutputField(desc="Yes or No")

# 2. 将签名封装为预测模块
generate_answer = dspy.Predict(AnswerQuestion)

2. 配置语言模型

在使用前，需要初始化并配置您想要使用的底层大语言模型（例如 OpenAI 的 GPT-3.5）。

# 配置 LM (请替换为您的真实 API Key)
lm = dspy.OpenAI(model='gpt-3.5-turbo', api_key='YOUR_OPENAI_API_KEY')
dspy.configure(lm=lm)

3. 执行预测

直接调用模块即可获取结果。在未优化前，它表现为标准的提示词调用；后续可结合 DSPy 的优化器（如 BootstrapFewShot）进行自动微调。

# 执行预测
prediction = generate_answer(question="Is the sky blue?")

print(f"Question: {prediction.question}")
print(f"Answer: {prediction.answer}")

---

更多资源：

• 官方文档：dspy.ai
• 社区交流：Discord