用途：dspy.GEPA 是 DSPy 3.2.x 中的反射式（Genetic-Pareto）优化器，通过强语言模型读取指标的文本反馈，改写程序指令与 few-shots，并在验证任务上维护候选的 Pareto 前沿，适合复杂 DSPy 工作流。名称中 Pareto 是核心：它保留多候选前沿而非收敛到单一程序。
前置条件：需要端到端可运行的 dspy.Module；返回 dspy.Prediction(score=float, feedback=str) 的丰富反馈指标（DSPy 3.2.1 下返回 dict 会导致 dspy.Evaluate 报错）；分离的 trainset 与 valset（GEPA 应尽量扩大训练集，验证集只需代表下游分布）；以及 reflection_lm（建议强模型，temperature=1.0）。
主要能力：按指标反馈做指令与示例变异；候选选择策略 pareto 或 current_best；可开启 use_merge 合并候选；track_stats、track_best_outputs、log_dir 支持统计、推理时最优输出与断点续跑；支持 wandb/mlflow 跟踪。
使用方式：先 import dspy，设置 dspy.configure(lm=...)，构造 dspy.GEPA(metric=rich_metric, auto="medium", reflection_lm=reflection_lm, ...)，再调用 optimizer.compile(student=program, trainset=trainset, valset=valset)。auto 可选 light/medium/heavy，或用 max_full_evals / max_metric_calls 指定显式预算，二者不可同时使用。reflection_lm 必须在构造时提供。可用 optimized.save("optimized_program.json", save_program=False) 保存。
选择建议：指标能给出具体可教学批评、程序含多个 predictor 需针对性改进、或预算较小时，GEPA 优于 MIPROv2；指标仅有标量分数、需纯 few-shot 引导或训练集极大（500+）时用 MIPROv2；想更轻量反射优化可先试 SIMBA。BetterTogether 可用于串联多优化器，但有明确理由时再用。
限制与注意：仅标量、无反馈的指标会使 GEPA 退化为随机搜索；训练/验证混用会令 Pareto 选择过拟合；reflection_lm 用小模型难以有效批评；不要先在未验证指标上跑 heavy。务必设置 log_dir 以便续跑。构造时若报 “GEPA requires a reflection language model...”，需补上 reflection_lm。