用途：将 DSPy 程序准备为可重复、可观测、可扩展且更安全的生产执行环境。
主要能力与用法： 缓存加固：DSPy 默认启用内存与磁盘缓存，磁盘缓存反序列化默认使用 pickle。生产环境可启用白名单模式：dspy.configure_cache(restrict_pickle=True)。仅在需要时注册可信自定义缓存类型：dspy.configure_cache(restrict_pickle=True, safe_types=[MyResult, Metadata])。无法持久化数据或需要全新模型响应时可显式关闭某层缓存：dspy.configure_cache(enable_disk_cache=False, enable_memory_cache=True)。
保存与加载：优先使用仅状态的 JSON 以获得可读且更安全的产物：compiled.save("./artifacts/program.json", save_program=False)，加载用 loaded = MyProgram(); loaded.load("./artifacts/program.json")。整程序保存仅用于可信产物，使用 cloudpickle：compiled.save("./artifacts/program/", save_program=True)，加载用 dspy.load("./artifacts/program/")。加载已保存程序时需保持 DSPy 主版本兼容。
用量追踪：通过 dspy.configure(lm=dspy.LM("openai/gpt-4o-mini"), track_usage=True) 开启，调用后可用 prediction.get_lm_usage() 查看；缓存命中的调用不返回新的 token 用量。
异步执行：多数内置模块支持 acall()，如 await program.acall(question="What is DSPy?")；自定义异步模块需实现 aforward()；仅在适配同步可调用对象是正确边界时使用 dspy.asyncify(program)。
流式输出：使用 dspy.streamify 配合 dspy.streaming.StreamListener(signature_field_name="answer")，通过 async for 迭代分块。对 ReAct 等循环模块，重复字段的监听器需设置 allow_reuse=True；缓存命中时直接产出最终 Prediction，不重放 token 分块。
生产检查清单：固定稳定的 DSPy 系列版本；除非必要且可信，否则使用仅状态 JSON 而非整程序 pickle；启用 restrict_pickle=True；记录用量、延迟、错误与追踪；分别对异步与流式路径做负载测试；MLflow 与回调可参考 dspy-debugging-observability。
限制：整程序保存依赖 cloudpickle，仅适用于可信产物；加载需保持 DSPy 主版本兼容；缓存命中不产生新 token 用量。官方文档：生产指南 https://dspy.ai/production/ ，缓存教程 https://dspy.ai/tutorials/cache/ ，保存教程 https://dspy.ai/tutorials/saving/ ，异步教程 https://dspy.ai/tutorials/async/ ，流式教程 https://dspy.ai/tutorials/streaming/ 。