{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Dspy

DSPy：声明式语言模型程序、自动优化 prompt（提示词）、RAG（检索增强生成）。

Skill 元数据


来源	内置（默认安装）
路径	`skills/mlops/research/dspy`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖	`dspy`, `openai`, `anthropic`
平台	linux, macos, windows
标签	`Prompt Engineering`, `DSPy`, `Declarative Programming`, `RAG`, `Agents`, `Prompt Optimization`, `LM Programming`, `Stanford NLP`, `Automatic Optimization`, `Modular AI`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。

DSPy：声明式语言模型编程

何时使用此 Skill

在以下场景中使用 DSPy：

构建复杂 AI 系统，包含多个组件和工作流

以声明式方式编程语言模型，而非手动进行 prompt 工程

使用数据驱动方法自动优化 prompt

创建可维护、可移植的模块化 AI 流水线

通过优化器系统性地改善模型输出

构建可靠性更高的 RAG 系统、agent 或分类器

GitHub Stars：22,000+ | 创建者：Stanford NLP

安装

快速开始

基础示例：问答

思维链推理

核心概念

1. Signature

Signature 定义 AI 任务的结构（输入 → 输出）：

各形式适用场景：

内联：快速原型开发、简单任务

类：复杂任务、类型提示、更好的文档说明

2. 模块

模块是将输入转换为输出的可复用组件：

dspy.Predict

基础预测模块：

dspy.ChainOfThought

在回答前生成推理步骤：

dspy.ReAct

带工具的类 agent 推理：

dspy.ProgramOfThought

生成并执行代码进行推理：

3. 优化器

优化器使用训练数据自动改善你的模块：

BootstrapFewShot

从示例中学习：

MIPRO（最重要的 Prompt 优化）

迭代式改善 prompt：

BootstrapFinetune

为模型微调创建数据集：

4. 构建复杂系统

多阶段流水线

带优化的 RAG 系统

语言模型提供商配置

Anthropic Claude

OpenAI

本地模型（Ollama）

多模型

常见模式

模式 1：结构化输出

模式 2：断言驱动优化

模式 3：自洽性

模式 4：带重排序的检索

评估与指标

自定义指标

评估

最佳实践

1. 从简单开始，逐步迭代

2. 使用描述性 Signature

3. 使用有代表性的数据进行优化

4. 保存和加载优化后的模型

5. 监控与调试

与其他方案的对比

特性	手动 Prompt	LangChain	DSPy
Prompt 工程	手动	手动	自动
优化方式	试错	无	数据驱动
模块化程度	低	中	高
类型安全	否	有限	是（Signature）
可移植性	低	中	高
学习曲线	低	中	中高

选择 DSPy 的场景：

你有训练数据或可以生成训练数据

你需要系统性地改善 prompt

你在构建复杂的多阶段系统

你希望跨不同语言模型进行优化

选择其他方案的场景：

快速原型开发（手动 prompt）

使用现有工具的简单链式调用（LangChain）

需要自定义优化逻辑

资源

文档：https://dspy.ai

GitHub：https://github.com/stanfordnlp/dspy（22k+ stars）

Discord：https://discord.gg/XCGy2WDCQB

Twitter：@DSPyOSS

论文："DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines"

另请参阅

references/modules.md — 详细模块指南（Predict、ChainOfThought、ReAct、ProgramOfThought）

references/optimizers.md — 优化算法（BootstrapFewShot、MIPRO、BootstrapFinetune）

references/examples.md — 真实世界示例（RAG、agent、分类器）

"Dspy — DSPy：声明式语言模型程序、自动优化 prompt、RAG"

Dspy#

Skill 元数据#

参考：完整 SKILL.md#

DSPy：声明式语言模型编程#

何时使用此 Skill#

安装#

快速开始#

基础示例：问答#

思维链推理#

核心概念#

1. Signature#

2. 模块#

dspy.Predict#

dspy.ChainOfThought#

dspy.ReAct#

dspy.ProgramOfThought#

3. 优化器#

BootstrapFewShot#

MIPRO（最重要的 Prompt 优化）#

BootstrapFinetune#

4. 构建复杂系统#

多阶段流水线#

带优化的 RAG 系统#

语言模型提供商配置#

Anthropic Claude#

OpenAI#

本地模型（Ollama）#

多模型#

常见模式#

模式 1：结构化输出#

模式 2：断言驱动优化#

模式 3：自洽性#

模式 4：带重排序的检索#

评估与指标#

自定义指标#

评估#

最佳实践#

1. 从简单开始，逐步迭代#

2. 使用描述性 Signature#

3. 使用有代表性的数据进行优化#

4. 保存和加载优化后的模型#

5. 监控与调试#

与其他方案的对比#

资源#

另请参阅#

Dspy

Skill 元数据

参考：完整 SKILL.md

DSPy：声明式语言模型编程

何时使用此 Skill

安装

快速开始

基础示例：问答

思维链推理

核心概念

1. Signature

2. 模块

dspy.Predict

dspy.ChainOfThought

dspy.ReAct

dspy.ProgramOfThought

3. 优化器

BootstrapFewShot

MIPRO（最重要的 Prompt 优化）

BootstrapFinetune

4. 构建复杂系统

多阶段流水线

带优化的 RAG 系统

语言模型提供商配置

Anthropic Claude

OpenAI

本地模型（Ollama）

多模型

常见模式

模式 1：结构化输出

模式 2：断言驱动优化

模式 3：自洽性

模式 4：带重排序的检索

评估与指标

自定义指标

评估

最佳实践

1. 从简单开始，逐步迭代

2. 使用描述性 Signature

3. 使用有代表性的数据进行优化

4. 保存和加载优化后的模型

5. 监控与调试

与其他方案的对比

资源

另请参阅