dspy

# DSPy：声明式语言模型编程 ## 何时使用此技能 当你需要以下功能时使用 DSPy： - **构建复杂的 AI 系统**，包含多个组件和工作流 - **声明式编程 LM**，而非手动进行提示词工程 - **自动优化提示词**，使用数据驱动的方法 - **创建模块化 AI 流水线**，使其易于维护和移植 - **系统性改进模型输出**，使用优化器 - **构建 RAG 系统、智能体或分类器**，提高可靠性 **GitHub Stars**: 22,000+ | **创建者**: Stanford NLP ## 安装 bash # 稳定版本 pip install dspy # 最新开发版本 pip install git+https://github.com/stanfordnlp/dspy.git # 配合特定 LM 提供商 pip install dspy[openai] # OpenAI pip install dspy[anthropic] # Anthropic Claude pip install dspy[all] # 所有提供商 ## 快速入门 ### 基础示例：问答 python import dspy # 配置你的语言模型 lm = dspy.Claude(model="claude-sonnet-4-5-20250929") dspy.settings.configure(lm=lm) # 定义签名 (输入 → 输出) class QA(dspy.Signature): """用简短的事实性答案回答问题。""" question = dspy.InputField() answer = dspy.OutputField(desc="通常在 1 到 5 个单词之间") # 创建模块 qa = dspy.Predict(QA) # 使用它 response = qa(question="法国的首都是哪里？") print(response.answer) # "巴黎" ### 思维链推理 python import dspy lm = dspy.Claude(model="claude-sonnet-4-5-20250929") dspy.settings.configure(lm=lm) # 使用 ChainOfThought 进行更好的推理 class MathProblem(dspy.Signature): """解决数学应用题。""" problem = dspy.InputField() answer = dspy.OutputField(desc="数值答案") # ChainOfThought 自动生成推理步骤 cot = dspy.ChainOfThought(MathProblem) response = cot(problem="如果约翰有 5 个苹果，给了玛丽 2 个，他还剩几个？") print(response.rationale) # 显示推理步骤 print(response.answer) # "3" ## 核心概念 ### 1. 签名 (Signatures) 签名定义了 AI 任务的结构 (输入 → 输出)： python # 内联签名 (简单) qa = dspy.Predict("question -> answer") # 类签名 (详细) class Summarize(dspy.Signature): """将文本总结为关键点。""" text = dspy.InputField() summary = dspy.OutputField(desc="要点列表，3-5 项") summarizer = dspy.ChainOfThought(Summarize) **当...