用途：dspy.SIMBA（Stochastic Introspective Mini-Batch Ascent）用于对已能正常工作的 DSPy 程序做保守、增量的优化，而非一次性大幅改写提示。它通过小批量采样、按输出波动（最好与最差得分之差）找出程序最不稳定的样本，再针对性修复。
主要能力：小批量驱动，每轮只采样部分训练集；聚焦高波动样本；两种改进策略——注入少样本示例或生成自然语言反思规则；维护候选程序池，按平均得分做 softmax 采样选择来源程序；每步只做小幅定向改动，回归风险低。
使用方式：需要程序、度量函数和训练集。基本用法：optimizer = dspy.SIMBA(metric=metric)；optimized = optimizer.compile(program, trainset=trainset)；optimized.save("optimized_classifier.json")。compile 支持 seed 参数（默认 0）以复现结果，返回程序带 candidate_programs 与 trial_logs 属性。get_params() 返回配置字典。
关键参数：metric（必填）、bsize=32、num_candidates=6、max_steps=8、max_demos=4、prompt_model=None、teacher_settings=None、demo_input_field_maxlen=100000、num_threads=None、temperature_for_sampling=0.2、temperature_for_candidates=0.2。
适用场景：程序已可用、希望继续提升准确率；数据量约 50-500 条；生产环境不容忍回归；想了解哪些样本最难。
限制与注意：不适合从零开始（应先用 dspy.BootstrapFewShot）、不适合追求一次性最大优化（用 dspy.MIPROv2）、不适合微调权重（用 dspy.BootstrapFinetune）；数据少于 30 条不宜使用。度量建议返回 0.0-1.0 浮点值，二值指标难以区分难度；max_demos 建议保持 4-6；规则生成可用更强的 prompt_model。安装：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。