DSPy：让语言模型学会自我编程的框架
DSPy是一个声明式编程框架，它将语言模型视为可调参数，通过定义数据流和优化器自动学习最佳提示和推理步骤，显著提升复杂任务的可控性和性能。
一句话解释
DSPy是一个编程框架，它允许开发者用代码定义语言模型应完成的任务流程，然后框架会自动为每个步骤找到最有效的提示或调用方式，从而让模型“学会”如何更好地执行复杂任务。
为什么会被关注
传统基于提示词的方法在复杂任务中脆弱且难以维护，每次模型更新或任务调整都可能需要重新设计提示。DSPy通过将提示和推理步骤参数化、可优化，提供了更系统、可重复且性能更强的解决方案，降低了构建可靠AI应用的门槛。
核心逻辑
DSPy的核心思想是“编译”：开发者先声明任务的数据流（签名）和模块（如生成、检索、推理），并提供少量示例。框架的“优化器”会像训练神经网络一样，自动尝试不同的提示、思维链格式甚至模型选择，在验证集上评估并找到最优的“程序”组合，最终生成一个高性能的、可部署的流水线。
常见场景
1. 复杂问答：需要多步检索、综合、判断的问答系统。
2. 代码生成与修复：根据需求生成代码，并迭代调试。
3. 信息结构化提取：从长文档中提取并整理成固定格式的数据。
4. 可控文本生成：确保生成内容严格遵循逻辑、格式或事实约束。
容易混淆的点
DSPy不是用来微调模型权重的工具，而是优化“如何调用模型”的方法。它和LangChain等编排框架不同：LangChain侧重于“连接”各种工具和模型，而DSPy侧重于“自动优化”连接和调用的方式本身，追求在给定任务上达到最优的提示和流程组合。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词微调是一种利用特定领域数据对预训练大模型进行针对性再训练的技术，旨在提升模型在特定任务上的性能与适应性，是实现AI应用落地的核心环节。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
思维链是一种提示工程技术，通过要求大语言模型在给出最终答案前，先展示其逐步推理的中间过程，从而显著提升其在数学、逻辑、常识推理等复杂任务上的表现。它模仿了人类解决问题时的思考方式，是理解模型“黑箱”运作的重要窗口。