DSPy：用编程范式替代 Prompt 工程的框架

传统 LLM 应用开发中，Prompt 工程往往是脆弱的——换个模型、改个输入格式，精心调优的 Prompt 就可能失效。Stanford NLP 团队开源的 DSPy 框架提出了一种全新思路：把 LLM 调用看作是声明式编程，由编译器自动优化 Prompt。

核心概念

DSPy 引入三个核心抽象：

import dspy

# 1. Signature — 定义输入输出
class QA(dspy.Signature):
    question = dspy.InputField()
    answer = dspy.OutputField()

# 2. Module — 声明式管道
qa = dspy.ChainOfThought(QA)

# 3. Optimizer — 自动调优
optimizer = dspy.BootstrapFewShot(metric=accuracy)

RAG 优化实战

在 RAG 场景中，DSPy 可以自动优化检索策略和生成 Prompt。通过 BootstrapFewShot 编译器，只需提供少量示例和评估指标，框架会自动搜索最优的 Few-shot 示例组合，无需手动调整 Prompt 模板。