用途：dspy.COPRO（Collaborative Prompting）用于自动生成、评估并选择 DSPy 程序各签名的最佳指令，替代手工编写提示。它同时优化签名的 docstring（指令）和输出字段前缀。
主要能力：用 LM 为每个预测器提出候选指令；在训练集上按指标为每个候选打分；多轮迭代，用上一轮表现最好的候选指导下一轮；对多预测器程序按顺序逐个优化，先锁定前一个预测器的最佳指令。
使用方式：需要程序、指标和训练数据三样。示例：dspy.configure(lm=dspy.LM("openai/gpt-4o-mini"))；定义 dspy.ChainOfThought("text -> label")；定义 metric(example, prediction, trace=None)；准备 dspy.Example 训练集；optimizer = dspy.COPRO(metric=metric, breadth=10, depth=3)；optimized = optimizer.compile(classify, trainset=trainset, eval_kwargs=dict(num_threads=4, display_progress=True))。
构造参数：prompt_model（生成候选的 LM，默认用全局配置）、metric（必填）、breadth（每轮候选数，须大于 1，默认 10）、depth（迭代轮数，默认 3）、init_temperature（默认 1.4）、track_stats（默认 False）。compile 的 trainset 与 eval_kwargs 为仅关键字参数，eval_kwargs 必须传入，即使为空。返回程序带 candidate_programs 和 total_calls 元数据。
适用场景：想系统搜索更好指令、有指标和 20-200 条样本、程序有一个或少数预测器、想探索多种指令措辞（用高 breadth）。
限制与注意：只优化指令，不优化 few-shot 示例，需要示例时用 dspy.MIPROv2；样本很少（<20）可用 dspy.GEPA；微调权重用 dspy.BootstrapFinetune；仅需 few-shot 用 dspy.BootstrapFewShot。breadth=1 会静默失效，至少用 5。compile() 会原地修改传入程序，需保留原程序应先克隆。成本随 breadth * depth * 训练集大小增长，例如 breadth=10、depth=3、100 条样本约 3000 次评估调用。安装命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。