用途：引导使用 dspy.BootstrapFewShot，为 DSPy 程序自动生成并筛选高质量少样本演示。它是最简单的优化器，建议在尝试更重的优化器之前先做。
主要能力：接收程序、训练集与度量函数，在训练样本上运行程序，保留度量通过的轨迹（输入输出对），并把最佳轨迹作为少样本演示附加到程序的预测器上，得到带可用示例的程序。
必要用法：configure 配置 LM 后定义程序与带 .with_inputs() 的 dspy.Example 训练集，用 Evaluate 先测基线，再编译并对比优化后结果。
optimizer = dspy.BootstrapFewShot(metric=metric, max_bootstrapped_demos=4) optimized = optimizer.compile(my_program, trainset=trainset)
保存与加载：optimized_qa.save("optimized_qa.json")，loaded_qa.load("optimized_qa.json")，仅保存学习到的演示与参数，程序结构仍在代码中。
关键参数：metric、max_bootstrapped_demos（默认 4）、max_labeled_demos（默认 16）、max_rounds（默认 1）、max_errors、metric_threshold、teacher_settings（可用 {"lm": teacher_lm} 让强模型生成轨迹）。
适用场景：约 50 条以上带标签样本、想免手写加入少样本示例、需要先建立快速基线。多步程序也可用，每一步预测器各自获得演示。
限制与注意：度量过严会导致几乎无演示被引导；需保证训练集与开发集不重叠、每个 Example 调用 .with_inputs()、先测基线再比较；max_labeled_demos 过大可能挤占上下文；准确率停滞时可升级到 BootstrapFewShotWithRandomSearch、MIPROv2 或 BootstrapFinetune。安装：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。