用途：在 DSPy 调用 optimizer.compile(program, trainset=trainset) 时监控优化进度，及早发现问题并判断何时停止，而不是无反馈地长时间等待。
可观察内容：随时间变化的分数、指令演化、成本累积、收敛模式、LM 调用与候选接受/拒绝决策。
主要方案： 内置零依赖方案：先跑 dspy.Evaluate 基线，再比较优化前后分数；GEPA 用 track_stats=True（注意默认为 False，结果在编译后程序的 optimized.detailed_results，不在优化器上）；任意优化器可写 BaseCallback 的 on_evaluate_end 打印进度；inspect_history(n) 可事后查看最近 LM 调用。 GEPA 专用：pip install dspy-gepa-logger，注册 observer 后可看 Web 面板（实时分数、eval 表、prompt diff、事件时间线），依赖 Node.js 与 SQLite。 云端：pip install langwatch，langwatch.dspy.init(experiment="my-optimization-run")，支持 BFS/BRS/COPRO/MIPROv2，不支持 GEPA，需要 API key，有免费层。 本地面板：pip install mlflow，mlflow.dspy.autolog(log_compiles=True)，用 mlflow ui 查看父子运行、指标与 trace。
解读要点：分数上升后平台化说明可停止；持续上升可继续；始终平坦可能是指标饱和、指标异常、搜索空间过窄或任务过于简单。用独立验证集判断过拟合：训练分上升而验证分持平或下降即为过拟合，可扩大训练集、减少预算、严格分离训练与验证集。同分多轮时可换更强反思模型、提高 MIPROv2 预设或增加示例。
限制：track_stats 在 GEPA 与 MIPROv2 中含义不同；LangWatch 不支持 GEPA；inspect_history 是事后而非实时；务必运行基线评估；其余未提供信息暂未提供。