用途：从杂乱文本中抽取结构化数据，适用于解析发票、邮件字段、文章实体、转录文本等场景。核心思路是用 DSPy 定义输出结构，由 AI 填充。
主要能力：用 dspy.Signature 声明输入输出字段，ChainOfThought 在抽取前加入推理，通常比直接 Predict 更准；复杂或嵌套输出可用 Pydantic 模型，DSPy 自动序列化；列表抽取支持可变数量条目；小模型（<4B）易产生 JSON 语法错误，可改用 YAML 输出再解析；用 dspy.Refine 配合 reward 函数对不合格结果重试；可用正则做混合抽取补漏；用 Evaluate 做字段级部分评分，再用 BootstrapFewShot 优化并保存加载。
使用方式：配置 LM（如 dspy.LM("openai/gpt-4o-mini")）后定义 Signature 与解析器，从文件、CSV、VTT/LiveKit/Recall 转录或 Langfuse traces 载入文本，逐条或批量解析并保存结果。若未安装可运行：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill ai-do。
限制与注意：Pydantic 输出模型须可 JSON 序列化，避免自定义类型与 datetime；可选字段需显式 None 默认值，否则模型可能编造；列表抽取默认偏少，需提高 max_tokens 并加“尽量穷尽”指令；超长输入会被静默截断，需先分块；嵌套层级越多失败率越高，建议扁平化或分步抽取。具体收费、平台与效果数据暂未提供。