大模型技术还在快速发展，不得不让人感到惊叹。
前文提到提示语：《# 从 Prompt 到 RAG，从 RAG 到 DSPy》，这体现出当下的大模型提示语仍然脆弱，就像沙子构筑的城堡，很容易被用户瓦解，让用户崩溃。
本篇进一步来看看 DSPy，这个有可能改善这一困局的兵器~
DSPy：为提示语带来新的可能
你是否在使用大模型的时候遇到以下过这些烦恼？
- 花了几个小时调整提示词，结果性能提升却微乎其微
- 换了个模型，原本完美的提示词突然不管用了
- 每个新任务都得重新设计提示链，感觉自己在重复造轮子
上述情况，DSPy 可能可以帮助你解决！
DSPy —— 编程，而非提示
DSPy 展开是 Declarative Self-improving Language Programs in Python，是斯坦福 NLP 研究人员推出的下一代开发框架。它的口号简单明了： “编程，而非提示” 。
试想一下，如果你能像写普通 Python 代码那样开发大模型应用，再也不用为设计完美提示而头疼，这就是 DSPy 的目的或者说是它的初衷。它的核心特点包括：
-
模块化设计：将任务流程和提示分开，让代码更灵活、维护更方便
-
智能优化器：自动调整LLM调用的提示，省下大量精力和时间
-
一次编写，随处运行：DSPy会自动适应更换模型
“DSPy就像是大模型开发的瑞士军刀”
核心功能详解
如果模型开发是建造一座摩天大楼，传统方法就像是手工雕刻每一块砖。DSPy，则提供整个建筑工具包和预制模块。
1. Signatures：定义任务结构
在开发中，清晰地定义任务是关键。Signatures 为此而生，用一行代码就描述一个复杂的AI任务。例如，创建一个情感分析器：
python
classify = dspy.Predict('sentence -> sentiment')
result = classify(sentence="你太棒了！").sentiment
print(result) # 输出: 'Positive'
这么简单！ 对于更复杂的任务，也可以类似如下定义：
python
class QuestionAnswer(dspy.Signature):
"""根据给定的上下文回答问题。"""
context = dspy.InputField()
question = dspy.InputField()
answer = dspy.OutputField()
这种方式不仅清楚地定义输入和输出，还为模型提供任务的上下文。如果为一个客服机器人设计问答系统，通过它可以轻松考虑背景知识，提高答案的准确性。
在设计Signature时，试着从函数式编程角度来思考。它知道什么（输入）？它给出什么（输出）？通过这样的思维方式能帮助你设计出更高效系统。
2. Modules：构建行为
如果 Signatures 是 AI 任务的蓝图，那 Modules 就是实现这些蓝图的积木。
Modules 封装常见的推理模式，让开发者可以像玩乐高一样组合出复杂的行为。例如，让 AI 像人一样思考？DSPy 是这样做的：
python
question = "为什么天空是蓝色的？"
thinker = dspy.ChainOfThought('question -> answer', n=3)
response = thinker(question=question)
print(response.answer)
这个例子使用思维链（Chain of Thought）模式，让AI给出答案同时展示推理过程。
这只是 DSPy 强大功能的冰山一角。DSPy还提供了丰富的内置Modules，如：
- dspy.ReAct：结合推理和行动，适合需要与外部环境交互的任务。
- dspy.MultiChainComparison：生成多个答案并比较，选出最佳结果。
你还可以创建自己的模块：
python
class FactCheckingQA(dspy.Module):
def __init__(self):
super().__init__()
self.retrieve = dspy.Retrieve(k=3)
self.generate = dspy.ChainOfThought("context, question -> answer, explanation")
self.validate = dspy.Predict("context, question, answer, explanation -> is_valid, confidence")
def forward(self, question):
context = self.retrieve(question)
answer, explanation = self.generate(context=context, question=question)
is_valid, confidence = self.validate(context=context, question=question, answer=answer, explanation=explanation)
return answer, is_valid, confidence
fact_checker = FactCheckingQA()
上述，通过组合多个Modules，构建一个完整的事实核查系统。它会先检索相关信息，然后生成答案和解释，最后验证结果的有效性。
模块化设计让代码更易读、更易维护，同时也更方便重用。
3. Optimizers：自动优化AI提示
有了蓝图 Signatures 和积木 Modules，接下来就是Optimizers 上场了，它能确保高效运作。DSPy 的 Optimizer 就相当于给 AI 配了一个私人教练，帮助优化提示，提高系统性能。
开发者不再需要手动调整提示，让 Optimizer 完成这项工作：
python
from dspy.teleprompt import BootstrapFewShotWithRandomSearch
optimizer = BootstrapFewShotWithRandomSearch(metric=your_metric)
super_qa = optimizer.compile(your_qa_module, trainset=your_data)
通过这段代码，Optimizer 会：根据任务自动生成高质量的示例、尝试不同的提示组合，找到最佳方案、根据定义的指标评估每个方案的效果、随着数据增加，自动调整和优化。
选择合适的 Optimizer 也是一门艺术。DSPy 提供多种 Optimizer，每个适用于不同的场景：
- LabeledFewShot：适用于少量高质量标注数据的情况。
- BootstrapFewShot：适合数据非常少（如10个样本）的情况。
- MIPRO：适用于大型数据集（300+样本），可以优化多个指令提示。
刚开始时，可以先使用BootstrapFewShotWithRandomSearch作为通用选择，等对任务和数据有更深入的理解后，再考虑切换到更专业的 Optimizer。
DSPy：不仅是一个框架，更是一种思维方式
DSPy 不再是被提示词牵着走，而是一个真正的应用架构师。这是一种思路： 聚焦设计整体系统架构，而不是纠结单一提示；轻松应对模型和数据的变化，确保系统稳定运行；借助自动化优化，不断提升系统性能。
DSPy 是不是意味着“提示工程师”这个职位将会消失？ —— 我认为，应该是的。
