用途：使用 LLM 反思与 Pareto 进化搜索优化复杂智能体系统，尤其适合带工具调用的 ReAct 智能体、多步工作流，以及需要基于失败文本反馈进行指令优化的场景。非智能体程序可考虑 dspy-miprov2-optimizer、dspy-bootstrap-fewshot，效果衡量可用 dspy-evaluation-suite。
主要能力：输入 program（dspy.Module 智能体或复杂程序）、trainset（dspy.Example 列表）、metric（可调用，接收五个参数并返回 dspy.Prediction(score=..., feedback=...)）、reflection_lm（用于反思的强模型，如 GPT-4）、auto（"light"、"medium"、"heavy"），输出 compiled_program。GEPA 会分析完整执行轨迹，指标需返回文本反馈。
使用方式：先定义返回 score 与 feedback 的反馈指标，再搭建智能体（如 dspy.ReAct("question -> answer", tools=[search, calculate])），然后配置 dspy.configure(lm=...) 并创建 dspy.GEPA(metric=..., reflection_lm=dspy.LM("openai/gpt-4o"), auto="medium")，调用 optimizer.compile(agent, trainset=trainset)。可用 Evaluate 对比基线与优化后效果，并用 compiled.save("research_agent_gepa.json") 保存。
限制：需要自定义反馈指标而非仅分数；使用强模型反思，成本较高；是较新的优化器，成熟度不如 MIPROv2；更适合指令优化而非演示示例优化。指标必须接受 (gold, pred, trace, pred_name, pred_trace)，不要传入 enable_tool_optimization，它不是 DSPy 3.2.1 GEPA 构造参数。官方文档见 https://dspy.ai/ 与 https://dspy.ai/api/optimizers/GEPA/。