用途：dspy.BootstrapFinetune 是 DSPy 中最重的优化器，它调整 LM 的权重而不是提示词。流程分两阶段：先在每条训练样本上运行程序（或教师程序），保留度量通过的轨迹；再把这些成功轨迹送入模型提供方的微调 API（或本地训练循环），训练模型权重。结果是程序背后换成已内化推理模式的微调模型。
适用场景：已有 500+（1000+ 更好）标注样本；已试过提示优化（MIPROv2、BootstrapFewShot）并触及质量上限；想用更小更便宜的模型匹配大模型质量（模型蒸馏）；领域有基础模型处理不佳的特殊模式。不宜用于：样本少于 500、尚未尝试提示优化、基线准确率低于 50%、任务定义仍在变动、或没有明确自动度量。
主要能力与参数：dspy.BootstrapFinetune(metric=None, multitask=True, train_kwargs=None, exclude_demos=False, num_threads=None)。metric 在 bootstrapping 时给每条轨迹打分，只有通过的轨迹成为训练数据；multitask=True 在各 predictor 间共享训练数据；train_kwargs 传微调超参（如 {"n_epochs": 2}）；exclude_demos=True 在微调后清空 few-shot 示例；num_threads 用于 bootstrapping，且须大于等于微调任务数（多个 predictor 共用同一 LM 算 1 个任务，否则各算一个）。compile(student, trainset, teacher=None)：teacher 提供时由教师生成轨迹，用于蒸馏；否则由学生自己生成。要微调哪个模型取决于 compile 时配置的 LM，因此调 compile 前须先 dspy.configure(lm=student_lm)，否则可能误微调教师模型。支持 OpenAI（gpt-4o-mini、gpt-4o）、Together AI（Llama、Mistral 等）及本地 HuggingFace 模型，模型须支持提供方微调 API。
成本与时间：最昂贵的优化器。bootstrapping 阶段每条样本一次 LM 调用；微调按提供方计费；微调后推理通常单价略高（OpenAI 约 1.5x），但从 GPT-4o 蒸馏到 GPT-4o-mini 净省 10-30x。总耗时 1-4 小时。
保存与加载：finetuned.save("finetuned_classify.json")，之后用 production.load(...) 加载，文件记录微调模型标识。
限制与注意事项：度量通过率过低会导致训练数据不足（建议 200+ 条通过轨迹）；可能过拟合；微调结果未必优于提示优化。推荐渐进路线：BootstrapFewShot → MIPROv2 → BootstrapFinetune → BetterTogether。安装命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。具体价格数据以资料为准，其他未提供。