用途：该技能用于 DSPy 程序的 MIPROv2 优化，通过贝叶斯优化联合调整指令（instructions）与少样本示例（few-shot demos），以追求更高性能。适用条件包括拥有 200+ 训练样本、可承受较长优化运行（40+ 次试验）、需要前沿性能，且指令与示例都需调优。相关技能：数据有限（10-50 例）可用 dspy-bootstrap-fewshot；智能体系统可用 dspy-gepa-reflective；效果度量可用 dspy-evaluation-suite。
主要能力：输入 program（dspy.Module）、trainset（200+ dspy.Example）、metric（可调用评估函数）、auto（"light"、"medium"、"heavy"）、num_trials（40+）；输出 compiled_program（优化后的 dspy.Module）。流程分三阶段：Bootstrap 生成候选示例、Propose 生成有依据的指令候选、Search 对组合做贝叶斯优化。auto 预设："light" 约 10 次试验用于快速迭代，"medium" 约 40 次用于生产优化，"heavy" 约 100+ 次追求最大性能。
使用方式：先安装可选依赖 pip install -U "dspy[optuna]>=3.2.1,<3.3"。随后配置 LM，例如 lm = dspy.LM('openai/gpt-4o-mini') 与 dspy.configure(lm=lm)；定义 dspy.Module 程序；再创建 MIPROv2(metric=..., auto="medium", num_threads=24) 并调用 optimizer.compile(程序, trainset=trainset)。可设置 num_candidates、max_bootstrapped_demos、max_labeled_demos；将 max_bootstrapped_demos 与 max_labeled_demos 设为 0 可进入仅指令优化模式。优化后可保存 compiled.save("agent_mipro.json")。
适用场景：需要同时调优指令与示例、追求高性能的 DSPy 程序，如 RAG 或 ReAct 智能体；建议先用 "medium" 预设，再根据结果调整，并使用较高 num_threads 并行。
限制：计算成本高（大量 LLM 调用），需要充足训练数据，"heavy" 预设优化时间可达数小时，大候选集内存占用高；应监控 API 成本并保存中间进度。官方文档：https://dspy.ai/ 、https://github.com/stanfordnlp/dspy 、https://dspy.ai/api/optimizers/MIPROv2/ 、https://dspy.ai/learn/optimization/optimizers/ 。