用途：介绍如何使用 dspy.MIPROv2，这是 DSPy 中较强的提示优化器，会同时优化模块提示中的自然语言指令与少样本演示示例，以在训练数据上最大化指定指标。原文称其通过生成候选指令、引导演示并利用贝叶斯优化搜索组合来提升程序输出质量。
适用条件：需要生产级提示质量、训练样本约50条以上、希望同时调优指令与示例、且能承担多次 LM 调用成本时使用。样本少于50或只想快速初试，建议先用 BootstrapFewShot 再升级到 MIPROv2。
主要能力：优化程序中每个 dspy.Predict 或 dspy.ChainOfThought 等模块的指令与少样本演示；支持联合搜索指令与示例的组合；支持多模块流水线（如含检索与生成的 RAG 管道）；可保存与加载优化后的程序。
使用方式：配置 LM 后定义程序、带输入标记的数据集、指标函数，再创建 dspy.MIPROv2(metric=metric, auto="medium") 并调用 compile(program, trainset=trainset)，最后用 Evaluate 评估并保存，例如 optimized.save("optimized_qa.json")。auto 可选 light/medium/heavy，原文给出的典型成本分别约为 1-2、5-10、15-30 美元，建议从 medium 开始。也可手动设置 num_candidates、max_bootstrapped_demos、max_labeled_demos、num_trials。
限制与注意：MIPROv2 计算成本高于 BootstrapFewShot；耗时会随样本量、模块数、线程数与模型延迟变化，原文给出 light/medium/heavy 在不同样本量下的典型耗时区间。优化后的提示与模型相关，切换 LM 供应商或模型需重新运行优化器。文中成本与耗时数据仅为原文估算示例，实际以使用情况为准。