该技能以七步循环把自然语言任务描述转成可优化、可保存、可部署的 DSPy 程序，按顺序取用相关步骤，原型可停在已验证的基线，优化器运行需要相应授权预算和需求证据，导出本地产物不等于获准部署。
用途与流程：1）规格：用一句话复述任务，识别输入、输出、质量轴与约束（延迟、成本、工具访问、上下文大小），并选择预测器形态：单步结构化 I/O 用 dspy.Predict / dspy.ChainOfThought，工具使用/多步用 dspy.ReAct，代码执行用 dspy.ProgramOfThought，长上下文/代码库用 dspy.RLM → dspy-rlm-module。2）程序：编写带类型的 dspy.Signature 与 dspy.Module 子类，不要硬编码提示，保留预测器命名以便 GEPA 定位。3）数据：用 dspy.Example(...).with_inputs(...) 构建训练集与独立验证集；GEPA 下尽量增大训练集，验证集只需足以代表下游行为，留出测试集仅最后报告。4）丰富指标：写 rich_metric(gold, pred, trace=None, pred_name=None, pred_trace=None)，返回 dspy.Prediction(score=0..1, feedback="自然语言评价")，feedback 是 GEPA 反思 LM 的学习依据；返回同字段的 dict 会使 dspy.Evaluate 崩溃。5）基线：用 dspy.Evaluate 运行并保存 baseline.json。6）GEPA 优化：配置 dspy.GEPA，指定 metric、auto（先 light 检查再 medium/heavy）、reflection_lm、candidate_selection_strategy="pareto"、日志目录、线程与种子，再 compile；如需多阶段编译可用 dspy.BetterTogether。7）导出与部署：optimized.save 保存状态或完整部署产物，用 dspy.load 加载，包装为 FastAPI/CLI，开启 track_usage 做成本/延迟观测，用 MLflow 或 W&B 记录，并保留离线回归测试在 CI 中设阈值失败。
限制与护栏：指标须在优化前定义并使用与任务相称的反馈；必须先基线再优化，无基线不声称改进；前后指标都存 JSON 以便审计；若留出测试分数下降，应保留结果并用训练/验证证据诊断，测试集改动后须用新的未触碰最终留出集或标注结果为探索性，不得反复针对原测试集调优；多阶段重编译前用 module._compiled = True 冻结优化程序。可运行脚手架见 example_pipeline.py。