用途：当基础 BootstrapFewShot 效果不稳定时，用 BootstrapFewShotWithRandomSearch（BootstrapRS）在多个候选演示集上做随机搜索，选出验证集得分最高的程序。它只优化演示（demos），不优化指令。
主要能力：包装 BootstrapFewShot，以 num_candidate_programs 次不同随机训练子集运行自举，逐个评估并返回最高分候选。关键参数包括 metric、max_bootstrapped_demos（默认 4）、max_labeled_demos（默认 16）、num_candidate_programs（默认 16）、num_threads、stop_at_score、metric_threshold、teacher_settings、max_rounds、max_errors。支持用大模型作为 teacher 生成演示、再用小模型部署，也支持把优化结果再传给 MIPROv2 叠加优化。
使用方式：用 dspy.BootstrapFewShotWithRandomSearch 构造优化器后调用 optimizer.compile(program, trainset=trainset, valset=devset)。结果程序可 save("optimized_qa.json") 保存，候选保存在 candidate_programs 属性。安装技能命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：50-200+ 样本、需要更优 few-shot 演示、可接受约 10-20 倍成本时使用；样本少于 50 建议用 BootstrapFewShot，需同时优化指令或样本超 200 建议用 MIPROv2。
限制：成本随 num_candidate_programs 线性增长（16 约 16 倍）；候选数低于 8 收益有限；多步流水线中演示数过多易超上下文；未显式传 valset 时内部划分不可控。资料未提供具体价格，仅给出成本量级估计。