用途：dspy.InferRules 用于从带标签示例中提取显式、人类可读的决策规则，并将规则注入程序指令，适合分类、路由、审核、分诊等具有一致可描述规则的任务，以及需要向相关方或审计解释决策的场景。
主要能力：它继承自 BootstrapFewShot，先引导演示样本，再从演示中归纳自然语言规则；可生成多个候选程序并在验证集上选优；规则直接追加到各预测器的 signature 指令；当示例超出语言模型上下文窗口时会迭代移除示例。
使用方式：需要 DSPy 程序、度量函数和训练集。示例：dspy.configure(lm=dspy.LM("openai/gpt-4o-mini"))；定义 classify = dspy.ChainOfThought("text -> label")；定义度量 exact_match；准备 dspy.Example 训练数据；然后 optimizer = dspy.InferRules(metric=exact_match, num_rules=10)；compiled = optimizer.compile(classify, trainset=trainset)。可用 compiled.named_predictors() 查看注入的指令。构造参数包括 num_candidates（默认10）、num_rules（默认10）、num_threads、teacher_settings，以及通过 kwargs 传入的 metric 和 max_errors。compile 接受 student、trainset 和可选 valset；未提供 valset 时自动按 50/50 划分。可用 compiled.save 与 load 保存加载。
适用场景：规则需可读、可审计、可编辑的受监管行业；调试优化器所学内容；人工在环修正规则；将规则作为系统行为说明文档。
限制：示例过少（少于约20条）时规则难以泛化；无一致模式的任务（创意写作、开放式生成）不适用；仅需微调少样本示例应使用 dspy.BootstrapFewShot；需要完整提示与示例优化用 dspy.MIPROv2；需要权重调优用 dspy.BootstrapFinetune。规则过多可能超出上下文或产生矛盾，建议从默认值开始并根据验证分数调整。具体收费、价格与平台信息暂未提供。