用途
DSPy 适用于以下场景：构建包含多个组件与工作流的复杂 AI 系统；以声明式方式编程语言模型，替代手工提示工程；使用数据驱动的方法自动优化提示词；创建可维护、可移植的模块化 AI 流水线；通过优化器系统化地改进模型输出；构建更可靠的 RAG 系统、智能体或分类器。该项目由斯坦福 NLP 创建，GitHub 星标 22,000+。
主要能力
DSPy 的核心概念包括 Signatures、Modules 与 Optimizers。
Signatures 定义 AI 任务的结构（输入→输出），支持内联签名（如 dspy.Predict("question -> answer")，适合快速原型与简单任务）与类签名（适合复杂任务、类型提示和更好的文档说明）。
Modules 是将输入转换为输出的可复用组件，包括：dspy.Predict（基础预测模块）、dspy.ChainOfThought（在回答前生成推理步骤）、dspy.ReAct（带工具的智能体式推理）、dspy.ProgramOfThought（生成并执行代码进行推理）。
Optimizers 使用训练数据自动改进模块：BootstrapFewShot（从示例中学习）、MIPRO（迭代改进提示词）、BootstrapFinetune（为模型微调生成数据集）。
此外还提供评估能力，支持自定义指标（如精确匹配、F1 分数）并使用 dspy.evaluate.Evaluate 进行评估，可对比优化前后的表现。
使用方式
安装：pip install dspy（稳定版），或 pip install git+https://github.com/stanfordnlp/dspy.git（最新开发版）。按提供商安装：pip install dspy[openai]、pip install dspy[anthropic]、pip install dspy[all]。
基本流程：配置语言模型（如 dspy.Claude、dspy.OpenAI、dspy.OllamaLocal，通过 dspy.settings.configure(lm=lm)）；定义签名；创建模块；调用模块得到结果。可通过 dspy.settings.context(lm=...) 为不同任务切换不同模型（如检索用廉价模型、推理用强模型）。
构建复杂系统：可继承 dspy.Module 编写多阶段流水线（如 MultiHopQA：生成查询→检索上下文→生成答案），或构建带优化的 RAG 系统。RAG 示例中使用 dspy.Retrieve 检索、dspy.ChainOfThought 生成答案，并通过 BootstrapFewShot 优化。支持 ChromadbRM 等检索器配置。
其他常见模式：结构化输出（结合 Pydantic，使用 dspy.TypedPredictor）、断言驱动的优化（dspy.Assert 与 backtrack_handler）、自一致性（多次采样取多数答案）、检索后重排序（retrieve → rerank → answer）。
优化模块：定义训练集（dspy.Example(...).with_inputs(...)）与度量函数，使用 optimizer.compile(module, trainset=...) 生成优化后的模块。优化后的模型可保存与加载（module.save / module.load）。
调试：通过 dspy.settings.configure(lm=lm, trace=[]) 启用追踪，运行后检查 dspy.settings.trace 中的 prompt 与 response。
适用场景与限制
适用场景：拥有或能生成训练数据、需要系统性改进提示词、构建复杂多阶段系统、希望跨不同语言模型进行优化时，适合选用 DSPy。
相对取舍：与手工提示工程相比，DSPy 提示工程为自动、基于数据驱动优化、模块化程度高、具备签名带来的类型安全、可移植性高，但学习曲线为中等偏高。手工提示工程适合快速原型；LangChain 适合使用现有工具的简单链；需要自定义优化逻辑时可选择其它方案。
参考资源：文档 https://dspy.ai；GitHub https://github.com/stanfordnlp/dspy；Discord https://discord.gg/XCGy2WDCQB；Twitter @DSPyOSS；论文 “DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines”。相关内容另见 references/modules.md（模块指南）、references/optimizers.md（优化算法）、references/examples.md（真实示例：RAG、智能体、分类器）。