用途：为应用新增由 DSPy 驱动的 LLM 功能时，从零生成一套项目结构，包含 main.py（入口）、program.py（DSPy 模块）、metrics.py（评估指标）、optimize.py（自动优化）、evaluate.py（质量测试）、data.py（数据加载）和 requirements.txt。若需要 Web API，可额外生成 server.py、models.py、config.py、Dockerfile 与 .env.example。
主要能力：按任务类型选择 DSPy 模块（简单抽取用 dspy.Predict，需推理用 dspy.ChainOfThought，计算用 dspy.ProgramOfThought，需外部工具用 dspy.ReAct）；生成 dspy.Signature 与 dspy.Module 骨架；提供 Evaluate 评估与 BootstrapFewShot 优化示例；支持加载 optimized.json 运行优化后程序。依赖为 dspy>=2.6，API 模式另需 fastapi、uvicorn[standard]、pydantic-settings。
使用方式：先收集需求（AI 做什么、输入输出、是否有示例数据及格式、AI 提供商，默认 OpenAI），再生成项目并适配字段名。后续步骤：在 data.py 填入真实训练数据（建议 20 条以上），运行 evaluate.py 查看当前效果，运行 optimize.py 自动提升质量，运行 main.py 使用功能。安装技能命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：LLM 驱动的分类、抽取、生成、问答等新项目。
限制：已有 DSPy 代码库应直接在其中添加功能，不应重新脚手架；仅探索或原型验证时建议写单脚本；不适用于传统机器学习（可用 scikit-learn）。注意 dspy.Example 必须调用 .with_inputs() 标记输入字段，否则优化器无法区分输入与标签；需将占位字段名改为实际任务字段；简单任务不必用 ChainOfThought；指标可返回布尔或 0 到 1 的浮点数；生成前应确认目标目录无已有文件，避免覆盖。具体收费、价格与效果数据暂未提供。