30 秒快速回答

DSPy 是斯坦福 NLP 团队开源的 Python 大模型编程框架，核心理念只有一句话：Program, don’t prompt（编程，而非提示词）。它用类型化「签名」声明任务、用「模块」组合推理策略、用「优化器」自动调优提示词——你不再手写 prompt，而是像写普通 Python 代码一样构建 AI 系统。

核心价值一句话：把「靠感觉调提示词」变成「给机器定指标，让它自动优化」，AI 应用质量可复现、可维护、可评测。

一、为什么要用 DSPy？手写 Prompt 的三大痛点

用过 GPT 系列或 Claude 的开发者都有体会：手写提示词是一条「玄学调参」之路。

痛点 表现 DSPy 的解法
脆弱 换个模型、换版本文案就失效 签名与模型解耦，换 LM 只改一行
不可评测 改完 prompt 不知道变好还是变坏 编译时按自定义指标自动打分
不可组合 复杂任务全靠一段超长 prompt 硬塞 模块化组合，管道清晰可复用

DSPy 把 prompt 从「写给模型看的自然语言」降级为「编译期产物」：你声明任务、提供样例、定义评分函数，优化器自动搜索更好的指令与示例。截至 2026 年，DSPy 已获得 35k+ GitHub Stars、每月 750 万+ 次下载，被 Compose 等多家公司用于生产环境。

二、三大核心抽象：Signature / Module / Optimizer

DSPy 的全部设计围绕三个概念展开：

1. Signature（签名）：用类型声明任务

签名是 DSPy 与手写 prompt 的最大区别——用结构化字段描述输入输出，替代自然语言指令：

import dspy

class ExtractEvent(dspy.Signature):
    """从邮件中提取活动信息。"""
    email: str = dspy.InputField()
    event_name: str = dspy.OutputField()
    date: str = dspy.OutputField()

lm = dspy.LM("openai/gpt-5.4-nano")  # 换模型只改这一行
dspy.configure(lm=lm)

result = dspy.Predict(ExtractEvent)(email=inbox_message)
print(result.event_name, result.date)

2. Module（模块）：同一任务，不同策略

模块决定签名如何执行，且可以自由替换而不改任务定义：

模块 策略 适用场景
Predict 直接完成 简单分类、抽取
ChainOfThought 逐步推理 数学、逻辑、复杂问答
ReAct 推理 + 工具循环（2026 新版 ReActV2 更强） 需要检索、调 API 的 Agent
Retrieve 向量检索 RAG 管道

3. Optimizer（优化器）：自动调优的核心

这是 DSPy 的杀手锏：你提供小样本数据集与评分函数，优化器自动生成并筛选更优的提示词或示例，直到指标收敛：

tp = dspy.GEPA(metric=semantic_f1, auto="medium")
opt = tp.compile(rag_program, trainset=trainset)
print(opt.save("rag.v2.json"))  # 评测：F1 从 0.41 提升到 0.63

GEPA（2025 年推出的新一代优化器）结合了语言模型变异与进化搜索，还支持自动「指令 + 示例」联合优化，效果通常显著优于人工调 prompt。

三、与 LangChain / 手写 Prompt 的定位区别

很多人会问：DSPy 和 LangChain 冲突吗？不冲突，二者是不同层次。

维度 手写 Prompt LangChain/LangGraph DSPy
任务描述 自然语言 自然语言 + 代码 类型化签名
优化方式 人工试错 人工试错 自动编译优化
可评测性 弱 弱 强（自带指标闭环）
擅长 快速原型 流程编排 质量与稳定性

实践中常见搭配：LangGraph 管 Agent 编排，DSPy 管单个模块的提示词质量。例如在 RAG 场景，用 DSPy 封装「查询改写 + 检索 + 生成」管道，把整体质量当作优化目标编译，比手调每个环节的 prompt 高效得多。

四、总结要点

  • DSPy 是「编程而非提示词」的声明式 LLM 框架，由斯坦福 NLP 开源、生产级成熟；
  • 三大抽象：Signature 声明任务、Module 控制策略、Optimizer 自动调优；
  • 换模型只需改一行，提示词与示例由编译器自动生成，质量可复现；
  • 与 LangGraph 等编排框架互补，特别适合 RAG、Agent 等对质量敏感的复杂管道；
  • 上手建议：先跑通一个 Predict 签名，再引入 GEPA 优化器对比指标提升。

延伸阅读建议：

  • 想了解 RAG 管道：《什么是 RAG？一文搞懂检索增强生成》
  • 想了解 Agent 编排框架：《怎么用 LangGraph？Agent 开发框架完全指南》
  • 想了解提示词工程的边界：《怎么写好 AI 提示词？从入门到进阶完整指南》