用途：在真实样本不足时，用 DSPy 生成合成训练数据，解决“没有数据”的冷启动问题，可用于分类、抽取、问答、生成等任务。
主要能力：资料给出从零到可优化数据集的完整流程，包括判断数据缺口、定义任务与生成器签名、编写 5-10 条种子示例、按类别或场景批量生成、用 Faker 生成结构化字段、用随机 sindex 提升多样性、按指标或 LM 评估过滤、去重，以及用 BootstrapFewShot 优化生成器本身。
使用方式：先定义任务 Signature 与生成器 Signature，生成器输出字段对应任务输入；用 dspy.Example(...).with_inputs(...) 标记输入字段；配置 dspy.LM 后循环调用 dspy.Predict 生成；过滤时生成 2-3 倍所需量并保留约 50%；最后用 MIPROv2 等优化器在合成数据上编译并保存。安装命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：完全没有数据、类别不平衡、需要边缘案例、隐私受限无法使用真实数据、需要快速做概念验证。
限制：已有 200+ 标注样本时不应生成；有确定答案的任务应写脚本生成；高度专业领域合成数据会继承生成模型偏差。合成评估分数会偏高，应尽量用真实数据验证。部分提供商不支持 n 批量参数，需用循环替代。资料未提供具体价格与平台支持范围。