DSPy框架：Prompt编程新范式

可视化演示

展示DSPy框架Signature声明式契约、Module组合式模块、Teleprompter自动调优迭代及RAG流水线优化流程。

核心概念

一家 DSPy 餐厅的后厨，靠三样东西运转。第一样是菜单上的“菜品描述”（Signature）——它不写具体烹饪步骤，只写清“这是一道什么样的菜”：输入是顾客的忌口和偏好，输出是成品菜的风味描述。大厨看到这份描述，心中就有数了。第二样是后厨里的“标准设备”（Module）——蒸锅、炒锅、烤箱各司其职：Predict 直接出结果，ChainOfThought 边想边做，Retrieve 去资料库翻食材。第三样是“自动品鉴官”（Teleprompter）——他拿着历史点单记录（数据集），针对每道招牌菜反复试做、评分、修改配方，最终把最优配方固定下来。

技术上讲，Signature 是 DSPy 最基础的抽象：一个类，声明了输入字段、输出字段，以及一句任务指令。你用 Signature 描述后，DSPy 会自动把它扩展成完整提示词，不再需要你手写。Module 是组合单元，任何 Signature 都可以包装进 Predict 或 ChainOfThought 中。Teleprompter 则是连接两者的“编译器+优化器”。

一个 DSPy 程序的生命周期可以浓缩成一个公式：先定义签名并包装成模块，再交给编译器，最后得到优化后的程序。

在后厨里，你不再蹲在灶台边写纸条，而是负责点菜和定标准的老板；写菜谱的活儿，交给了品鉴官。这三样东西——签名、模块、编译器——构成了 DSPy 世界的全部骨架。

声明式编程

传统 Prompt 工程像“手把手教厨师”：你得写一份操作清单——打开冰箱、拿两个鸡蛋、热锅、倒油、翻炒三十秒……每一步漏掉，菜就可能翻车。而 DSPy 是“下目标卡”：我要一份蛋炒饭，粒粒分明，咸淡适中。这就是声明式编程的核心理念——表达“要什么”，不关心“怎么做”。

DSPy 的声明式程序由三要素组成：输入定义 x、输出定义 y、评估标准 f。你把这三样东西写清楚，剩下的一切交给编译器。这套做法的好处立竿见影：代码可复用——同样的签名，换一个数据集就能重新编译出新的提示词；换一个模型（换一位厨师），也不需要重写任何提示词，重新编译一次即可。

声明式与命令式的本质区别，可以用一张对比公式来刻画。

你从“手把手教”变成“提要求”，后厨会自己研究怎么做——这正是从 Prompt Engineer（提示词工程师）升级为 Prompt Architect（提示词架构师）的本质。

自动调优

品鉴官的工作流程是这样的：先给大厨几个候选配方 → 每道配方做一批菜 → 让顾客打分（评估指标）→ 留下高分配方 → 在高分配方上做细微改动 → 再测。如此循环往复，直到满意度不再上升。这就是 DSPy 自动调优的生动写照。

在 DSPy 里，提示词和少样本示例被当作可优化的参数 θ。Teleprompter 在训练集上反复评估，目标是找到让平均损失最小的那一组参数。BootstrapFewShot 是最常用的优化器之一：它会在训练集中自动挑选少量高质量示例，注入提示词，相当于把好评案例写进菜单——这正是思维导图中“少样本示例学习”的含义。而更复杂的 MIPRO 会同时搜索指令措辞和示例组合。

自动调优的数学本质是经验风险最小化。

以前是人肉网格搜索——改一次提示词，试一次效果；现在则是系统级自动调参，品鉴官比你更勤奋地试菜，而且从不喊累。

对比LangChain

LangChain 像后厨的“标准化流程手册”：规定了先蒸后炒、哪个步骤调用哪个设备，把复杂的多步骤流程串得明明白白。但它不会自动改进菜谱——菜谱仍然是开发者和运营者手写的。DSPy 则像一个“菜品研发系统”，连菜谱本身都会自动迭代。两者不是竞争对手，而是好搭档：用 LangChain 搭后厨骨架，让 DSPy 负责优化核心菜品的配方。

从技术实现看，LangChain 的提示词是提前写死的模板，运行时按模板填充变量；DSPy 则在编译期搜索提示词，运行时使用优化结果。LangChain 的优势在流程控制——多分支、状态管理、丰富的生态；DSPy 的优势在提示词质量——同一个任务，它能找到比你手写更好的措辞。实践中已经有大量项目采用混合方案：LangChain 的链里套一个 DSPy 编译过的模块。

两者的差异可以用一个对比公式直观呈现。

流程手册和菜品研发部，好的餐厅两者都要。选型时不要问“谁替换谁”，而要问“我的瓶颈是流程还是菜谱”。

RAG应用

顾客问：“你们能做少糖的甜品吗？”服务员（Retrieve 模块）立刻去菜单库翻出相关的三页（文档片段），连同问题一起递给大厨（LLM）。大厨看着这几页资料，才能给出准确回答——这就是 RAG（检索增强生成）。没有检索这一步，大厨只能凭记忆瞎猜，容易张冠李戴。

在 DSPy 中实现 RAG 极其简洁：用 dspy.Retrieve(k=3) 封装检索，定义一个 RAG 模块整合检索与生成，再用 ChainOfThought(QA) 签名生成答案。更妙的是，整个 RAG 流程作为 Module 传给 Teleprompter 后，连“检索多少条最合适、上下文怎么组织最有效”都会被自动优化——这就是思维导图中的“端到端优化”。

RAG 的核心链路可以用一个公式概括。

整个 RAG 流程不再是一条写死的流水线，而是由品鉴官反复试菜调出来的“招牌菜流程”——这也正是 DSPy 在检索增强应用中最受欢迎的原因。

Agent应用

餐厅里来了几位客人，有人忌辣、有人赶时间、有人过生日。店长（Agent）需要快速判断：让采购补货、让大厨改单、让甜点师准备蛋糕。这个“判断和派单”的过程，在 DSPy 中变得可优化。

技术上有三个关键点：第一，工具调用签名化——把每个工具（查库存、订食材、查天气）用 Signature 描述清楚，LLM 才知道什么情况该调哪个工具；第二，推理-行动循环——Agent 先思考再行动，行动结果进入下一轮思考，这是 ReAct 风格的典型写法；第三，多 Agent 协作——每个 Agent 都是一个 DSPy 模块，它们的任务规划策略都可以用 Teleprompter 编译优化。思维导图中的“任务规划编译”说的正是这一点：连“先做什么后做什么”都是学出来的。

Agent 决策的本质是一个策略函数。

店长原来凭经验派单，现在有了品鉴官帮他总结“什么情况派谁最有效”。DSPy 让 Agent 从“规则驱动”走向“数据驱动”，这是智能体工程化的重要一步。

系统化流程

最后，把后厨从“靠大厨灵感”升级为“标准菜品研发流水线”：定义菜品目标 → 收集历史点单 → 设定评分标准 → 研发试菜 → 正式上架 → 收集反馈迭代。这套流程对应 DSPy 的工程化最佳实践——工作流五步法。

具体来说：第一步，把任务定义为目标 Signature；第二步，准备几十到几百条训练数据，不用多，但要有代表性；第三步，设计评估指标，准确率、召回率或业务指标皆可，关键是能反映真实质量；第四步，用 Teleprompter 编译；第五步，在验证集上评估，不合格就补充数据或调整指标后重新编译。成本控制方面，可以限制编译轮次、先用小模型试编译、缓存重复评估结果——这些策略让 DSPy 在真实项目中可控可用。

整个流程的收敛性可以用一个差分公式刻画。

菜品的口味不再靠运气，而是靠流程和机制来保证。DSPy 最大的价值，就是把 Prompt 工程变成一门可重复、可度量、可优化的工程学科。

AI 应用场景

Python 演示

import reimport randomfrom dataclasses import dataclass, field  def simple_llm(prompt: str) -> str:    """模拟一个极小的 LLM：根据提示词中的关键词返回答案。"""    if "酸甜" in prompt:        return "糖醋排骨：酸甜口，外酥里嫩"    if "少糖" in prompt:        return "低糖甜品：甜度减半，保留香气"    return "菜单暂未找到匹配菜品"  @dataclassclass Signature:    """DSPy Signature：声明输入输出，不写提示词细节。"""    instruction: str    input_field: str    output_field: str     def build_prompt(self, sample: dict) -> str:        return f"{self.instruction}\n{self.input_field}: {sample[self.input_field]}\n请给出{self.output_field}："  @dataclassclass PredictModule:    """DSPy Module：封装 Signature 与 LLM 调用。"""    signature: Signature    fewshot_examples: list = field(default_factory=list)     def __call__(self, sample: dict) -> str:        prompt = self.signature.build_prompt(sample)        if self.fewshot_examples:            demo = self.fewshot_examples[0]            prompt += f"\n示例：{demo[self.signature.input_field]} -> {demo[self.signature.output_field]}"        return simple_llm(prompt)  @dataclassclass BootstrapFewShot:    """Teleprompter：自动挑选示例并生成优化后的程序。"""    def compile(self, module: PredictModule, trainset: list, score_fn) -> PredictModule:        scored = []        for sample in trainset:            pred = module(sample)            score = score_fn(pred, sample[module.signature.output_field])            scored.append((score, sample))        scored.sort(reverse=True, key=lambda x: x[0])        module.fewshot_examples = [s for _, s in scored[:2]]        return module  def main():    trainset = [        {"dish": "糖醋排骨想要酸甜口味", "result": "糖醋排骨：酸甜口，外酥里嫩"},        {"dish": "低糖版杨枝甘露", "result": "低糖甜品：甜度减半，保留香气"},        {"dish": "少糖提拉米苏", "result": "低糖甜品：甜度减半，保留香气"},    ]    sig = Signature(        instruction="你是餐厅点单助手，根据顾客需求推荐菜品。",        input_field="dish",        output_field="result",    )    module = PredictModule(sig)    print("编译前预测：", module({"dish": "糖醋排骨想要酸甜口味"}))     def score_fn(pred: str, gold: str) -> float:        return 1.0 if pred == gold else 0.0     teleprompter = BootstrapFewShot()    compiled = teleprompter.compile(module, trainset, score_fn)    print("编译后预测：", compiled({"dish": "糖醋排骨想要酸甜口味"}))    print("自动挑选的示例：", [s["dish"] for s in compiled.fewshot_examples])  if __name__ == "__main__":    main()

1. class Signature:用数据结构声明“输入 dish → 输出 result”，不写提示词细节，对应 DSPy 的 Signature 概念。
2. def build_prompt(self, sample: dict) -> str:根据签名动态生成提示词，开发者不需要手写完整模板。
3. fewshot_examples: list = field(default_factory=list)保存自动挑选出的少样本示例，初始为空。
4. def __call__(self, sample: dict) -> str:让模块像函数一样被调用，对应 DSPy 中 Module 的可执行语义。
5. def compile(self, module, trainset, score_fn):模拟 Teleprompter 的核心编译逻辑：逐条评估并排序。
6. scored.sort(reverse=True, key=lambda x: x[0])按得分降序排列，让高分示例排在前面。
7. module.fewshot_examples = [s for _, s in scored[:2]]取前两个高分样本作为少样本示例，注入后续提示词。
8. compiled = teleprompter.compile(module, trainset, score_fn)编译后的程序可直接调用，且效果优于编译前。
9. print("自动挑选的示例：", ...)展示品鉴官最终选中的“菜单范本”是哪几条。

常见误区

面试题