dspy.Predict 是 DSPy 程序的基本构建单元：接收输入，调用一次语言模型，返回类型化输出，没有中间推理步骤。其他模块（如 ChainOfThought、ReAct）都构建在它之上。
用途与选择：任务较直接（分类、抽取、格式化、问答）、追求低延迟与低 token 消耗、输入输出映射直接，或作为更大流水线的子步骤时，用 dspy.Predict。若任务需要逐步推理、准确率优先、需检查模型推理过程，则改用 dspy.ChainOfThought，仅需替换一个词。经验法则是先试 Predict，准确率不足再切换。
主要能力：支持 Pydantic BaseModel 作为输出类型，实现结构化输出；支持异步调用 acall/aforward；支持批量 predict.batch(examples, num_threads=8, timeout=120)；支持 predict.save("my_predictor.json") 与 predict.load("my_predictor.json") 保存加载优化后的预测器。用法上，先定义签名，再实例化 dspy.Predict(签名) 并以关键字参数调用，如 predict(question="my input")；只接受关键字参数，传位置参数会引发 ValueError。传给 batch 的每个 dspy.Example 必须调用 .with_inputs("field_name") 标记输入字段，否则 DSPy 会把所有字段当作输出，破坏批量执行与优化器训练。批量处理应使用 predict.batch() 而非 Python 循环，它内部使用 dspy.Parallel 处理并发，速度更快。
验证与限制：构建后应在小规模带标签开发集上抽查，再用 dspy.Evaluate 评估准确率；若低于目标，先优化 Predict（如 BootstrapFewShot 或 MIPROv2），而不是先换模块。常见误区是准确率低时立刻改用 ChainOfThought，但优化过的 Predict 通常能以更低 token 成本达到或超过未优化的 ChainOfThought。安装技能可用 npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。更多 API 与示例见 reference.md 与 examples.md。