目录：

1. 咱们为什么需要DSPy？
2. DSPy到底是个啥？
3. DSPy的核心概念
4. DSPy vs 传统Prompt工程
5. 实战代码示例
6. 本文小结
7. 思考题

一、咱们为什么需要DSPy？

大家平时开发AI应用的时候，是不是经常遇到这样的场景：

为了调好一个Prompt，你熬夜到凌晨三点。改了十几版，好不容易在GPT-4上跑通了，第二天一换模型，全废了。是不是很崩溃？

更扎心的是，你精心调好的Prompt，同事稍微改一个字，效果就天差地别。然后你就开始怀疑人生：到底哪里出问题了？

说实话，这个问题困扰了整个AI行业好几年。直到斯坦福大学NLP实验室搞出了DSPy框架，这个局面才彻底改变。

简单来说，DSPy让AI开发从"手工艺"变成了"工业化"。

二、DSPy到底是个啥？

DSPy（Declarative Self-improving Language Programs，声明式自改进语言程序）是斯坦福大学开发的一个框架，核心理念就一句话：

用代码写AI，而不是用Prompt写AI。

咱们来打个比方：

传统Prompt工程 = 你是个手艺人，每个作品都要手工雕琢，换个人做效果就不一样了。

DSPy = 你是个工厂老板，设定好标准流程，机器自动生产，产品稳定可靠。

是不是一下子就明白了？

DSPy不是帮你写Prompt的，而是根本不需要你写Prompt。它通过以下方式工作：

1. 你用代码定义任务（比如"我需要检索增强生成"）
2. DSPy自动生成和优化Prompt
3. 根据验证集自动调整

说白了，DSPy就是你的AI开发助手，它不仅帮你干活，还帮你"思考"怎么干最好。

三、DSPy的核心概念

DSPy有几个核心概念，咱们一个个来看。

3.1 签名（Signature）

签名就是定义你的输入输出。

啥意思呢？举个例子：

# 传统方式：你需要写长篇Prompt
prompt = """
你是一个专业的客服助手。用户会问你问题，你需要友好地回答。
注意：
1. 使用礼貌用语
2. 提供准确信息
3. 如果不知道就说不知道
"""

# DSPy方式：只需要定义签名
class CustomerService(dspy.Signature):
    """处理客户咨询"""
    question = dspy.InputField(desc="用户的问题")
    answer = dspy.OutputField(desc="友好的回答")

看到了吗？DSPy不需要你写那些啰嗦的Prompt，只需要说清楚：输入是什么，输出是什么。

3.2 模块（Module）

模块 就像积木，你可以组合使用。

# 创建一个RAG（检索增强生成）模块
class RAG(dspy.Module):
    def __init__(self):
        super().__init__()
        self.retrieve = dspy.Retrieve(k=3)
        self.generate = dspy.ChainOfThought(CustomerService)

    def forward(self, question):
        context = self.retrieve(question).passages
        return self.generate(context=context, question=question)

这里RAG模块组合了两个基础模块：检索和生成。就像搭积木一样简单！

3.3 优化器（Optimizer）

优化器 是DSPy的大脑，它自动帮你调优。

# 定义评估标准
def accuracy_metric(gold, pred, trace=None):
    return gold.answer == pred.answer

# 自动优化
optimizer = dspy.BootstrapFewShot(metric=accuracy_metric)
optimized_rag = optimizer.compile(RAG(), trainset=train_data)

你只需要提供训练数据和评估标准，DSPy会自动尝试各种Prompt组合，找到最优方案。

听起来很绕？别急，咱们用一张图来展示一下：

四、DSPy vs 传统Prompt工程

咱们用一张表来对比一下：

举个实际例子

假设你要做一个问答系统：

传统方式：

# 你需要写这样的Prompt
prompt = """
你是一个专业的问答助手。请根据以下上下文回答用户问题。

上下文：{context}

问题：{question}

要求：
1. 只使用上下文中的信息
2. 如果上下文没有相关信息，说"我不知道"
3. 回答要简洁明了
"""

# 然后不断尝试修改，测试，再修改...

DSPy方式：

# 定义签名
class QASignature(dspy.Signature):
    """根据上下文回答问题"""
    context = dspy.InputField(desc="相关文档片段")
    question = dspy.InputField(desc="用户问题")
    answer = dspy.OutputField(desc="基于上下文的回答")

# 创建模块
qa = dspy.ChainOfThought(QASignature)

# 自动优化
optimizer = dspy.BootstrapFewShot(metric=your_metric)
optimized_qa = optimizer.compile(qa, trainset=train_data)

哪种方式更清晰、更易维护？相信大家心里都有数了。

五、实战代码示例

咱们来做一个完整的例子：构建一个RAG问答系统。

import dspy

# 1. 配置LLM
lm = dspy.OpenAI(model="gpt-4")
dspy.settings.configure(lm=lm)

# 2. 定义签名
class GenerateAnswer(dspy.Signature):
    """根据上下文回答问题"""
    context = dspy.InputField(desc="相关文档片段")
    question = dspy.InputField(desc="用户问题")
    answer = dspy.OutputField(desc="基于上下文的回答")

# 3. 定义RAG模块
class RAG(dspy.Module):
    def __init__(self, num_passages=3):
        super().__init__()
        self.retrieve = dspy.Retrieve(k=num_passages)
        self.generate_answer = dspy.ChainOfThought(GenerateAnswer)

    def forward(self, question):
        context = self.retrieve(question).passages
        return self.generate_answer(context=context, question=question)

# 4. 准备训练数据
trainset = [
    dspy.Example(
        question="什么是DSPy？",
        answer="DSPy是斯坦福开发的声明式自改进语言程序框架"
    ),
    # ...更多训练数据
]

# 5. 定义评估指标
def validate_answer(example, pred, trace=None):
    return example.answer.lower() in pred.answer.lower()

# 6. 自动优化
from dspy.teleprompt import BootstrapFewShot

optimizer = BootstrapFewShot(metric=validate_answer)
optimized_rag = optimizer.compile(RAG(), trainset=trainset)

# 7. 使用优化后的模型
question = "DSPy有什么优势？"
result = optimized_rag(question=question)
print(result.answer)

这个例子展示了DSPy的完整工作流程：定义→优化→使用。简单、清晰、可维护。

六、本文小结

今天咱们主要讲了以下几点：

1. DSPy是什么：斯坦福开发的AI编程框架，核心理念是"用代码写AI，不是用Prompt写AI"

2. 核心概念：

   • 签名：定义输入输出
   • 模块：可组合的组件
   • 优化器：自动调优的大脑

3. 相比传统Prompt工程的优势：可移植、可维护、可优化、可协作

4. 2026年的趋势：手动调Prompt的时代正在过去，系统化、自动化的AI开发才是未来

七、思考题

今天留一个思考题：

如果让你用DSPy重构你现在的AI项目，你会怎么设计？会遇到哪些挑战？

大家先思考思考，欢迎在评论区分享你的想法！

相关资源：

• DSPy官方GitHub
• DSPy官方教程
• IBM DSPy教程

关注我，一起探索AI开发的新范式！