用途：该技能引导用户判断是否值得微调，并完成数据准备、用 DSPy 微调、把昂贵模型蒸馏为便宜模型以及部署。核心观点是微调强大但昂贵，动手前必须先确认前提。
主要能力：提供决策清单（是否已优化提示、是否有 500+ 标注样本、基线是否高于 50%、目标是质量还是成本）；给出何时该微调与何时不该微调；覆盖数据划分 80/10/10、基线测量、提示优化对比、BootstrapFinetune 微调、教师-学生蒸馏、BetterTogether 交替优化、测试集评估与保存加载。
使用方式：先构建提示优化基线（如 MIPROv2），再运行 dspy.BootstrapFinetune(metric=metric, num_threads=24) 并 compile；蒸馏时先优化教师程序，再以 teacher=teacher_optimized 微调学生模型；BetterTogether 用 strategy="p -> w -> p"。安装命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：提示优化已达上限、需要领域专有词汇、需要更快推理、或想把昂贵模型蒸馏为便宜模型（资料称可省 10-50 倍成本）。
限制与注意：样本少于 500 易过拟合；基线低于 50% 应先修数据或任务定义；需可微调模型（如 OpenAI gpt-4o-mini、gpt-4o 或本地开源模型），Anthropic 不提供微调 API；最终评估须用留出测试集；小模型易出 JSON 格式错误，可改用 YAML；需检查 bootstrap 成功轨迹数量（目标 200+）。具体价格与效果以资料所述为准，未提供的信息暂未提供。