用途：DSPy（Declarative Self-improving Python）将手工提示工程转为编程语言模型，适合系统性优化提示、构建生产级 LLM 系统，以及实现 RAG、分类、结构化抽取等任务。
主要能力：以签名（Signature）声明输入输出接口，支持类型提示与字段描述；以模块（Module）承载推理模式，如 ChainOfThought、Retrieve（RAG）、ReAct、ProgramOfThought，并支持自定义 dspy.Module 组合流程。优化器可将高层程序编译为优化提示：BootstrapFewShot、BootstrapFewShotWithRandomSearch、MIPROv2、KNN FewShot、SignatureOptimizer；其中 MIPROv2 通过贝叶斯优化联合优化指令与少样本示例，有 light、medium、heavy 三种自动配置。另提供自定义指标与评估管线，支持精确匹配、模糊匹配、多准则及 LLM 作为评判。
使用方式：安装命令为 pip install dspy-ai；定义签名（如 class QA(dspy.Signature)）、创建模块（如 dspy.ChainOfThought(QA)），再用 optimizer.compile(qa, trainset=examples) 优化，优化后可 save 保存为 JSON。示例中训练数据用 dspy.Example(...).with_inputs(...) 构造；MIPROv2 需先用 dspy.LM 配置语言模型并 dspy.configure(lm=lm)。
适用场景：小数据量快速优化（10-50 例）、中等数据量探索（50-300 例）、大数据量与生产系统（300+ 例）；也适用于需要版本控制与跨模型复现的团队。
限制：资料未提供官方托管服务、定价、具体平台或 SLA 信息；性能提升数据来自资料引用的 2025 研究，非通用保证；优化耗时随模式变化（light 约 15-30 分钟、medium 约 30-60 分钟、heavy 约 1-3 小时），具体取决于任务与环境；示例中的 API 密钥、模型名称需按实际替换，资料未说明支持的全部模型与依赖版本。