用途：指导用户在不破坏效果的前提下切换 AI 模型或供应商（如从 OpenAI 换到 Anthropic、尝试更便宜模型、减少对单一厂商依赖、改用本地模型）。核心思路是提示词与模型绑定，针对某模型优化过的提示换到另一模型后可能反而变差；DSPy 通过签名（定义输入输出）与模块（定义求解方式）的模型无关性，加上优化器自动重新生成模型专属提示来解决。
主要能力：使用 LiteLLM 以字符串形式接入 100+ 供应商，例如 dspy.LM("openai/gpt-4o")、dspy.LM("anthropic/claude-sonnet-4-5-20250929")、dspy.LM("ollama_chat/llama3.1", api_base="http://localhost:11434") 或任意 OpenAI 兼容服务；用 Evaluate 建立基线并评测；换模型后从全新未优化程序出发，用 MIPROv2、BootstrapFewShot 等优化器重新编译；可在同一管线中按模块混用便宜与昂贵模型，用 dspy.context 临时切换或 set_lm 永久指定；为每个模型保存独立优化程序，部署时按环境变量加载。
适用场景：降低成本、供应商多样化、模型版本更新导致效果回退、数据隐私与合规需要本地部署、系统化对比多个候选模型。
限制：必须先有评测指标与测试集，否则无法判断切换效果；签名或样例本身有问题时换模型不能解决；仅需更低延迟应先考虑缓存或更轻模块；任务过于简单时模型选择影响很小。换模型后务必重新优化，不要复用旧模型的编译提示；对比时需对每个候选独立优化，并固定评判模型；本地小模型通常需要更重的优化。