夜雨聆风
告别脆弱的 Prompt！将Prompt完全自动化
今天和大家分享一个github上的项目—DSPY；DSPy（Declarative Self-improving Python） 是一个“programming—not prompting” 的框架：不用把行为写成脆弱的 prompt 字符串，而是用声明式的 Python 抽象（Signature、Module 等）去描述 LM 的输入输出和任务，框架负责把这些抽象编译成稳定的 prompts / 学习逻辑，并能对流水线做自动优化（包括 prompt 优化和微调）。
声明模块的输入与输出结构，类似函数签名。通过 InputField / OutputField 定义字段与类型，让 LM 自动生成结构化结果（如 JSON 或 Pydantic）
Module（模块）
执行单元，对应不同的推理或提示模式（如 ChainOfThought、ReAct、Predict）。模块与签名结合后，由 DSPy 自动生成 Prompt 并解析输出，可自由组合成可编程推理流程。
LM 抽象与配置
统一封装各类大模型（OpenAI、Anthropic、Gemini、Ollama 等）。一次配置，全局生效
Adapters / Tools / Primitives
Adapters：格式适配（如 ChatAdapter、JSONAdapter）。
Tools：可调用工具（Python解释器、检索器、Embedding 等）。
Primitives：支持历史记录、图像、音频等多模态输入。
Optimizers（优化器）
自动改进 Prompt、示例或触发微调。典型如 GEPA（进化式反思优化），通过生成与演化改进提示词，比传统 RL 效果更好。
Compiler（编译器）与自我改进流水线DSPy 会将声明式程序“编译”为实际 Prompt 与训练任务，并持续收集反馈、生成示例、优化提示。
#多模态人工智能 #机器学习 #prompt #大模型
DSPy解决了什么问题：
传统把系统用大量 prompt strings 串起来，维护性弱、易碎；DSPy 提供更高阶的编程抽象（类似把“prompt engineering”上升为“语言模型编程语言”），让你用结构化类型来定义任务，便于组合、测试与自动优化
核心模块汇总：
声明模块的输入与输出结构，类似函数签名。通过 InputField / OutputField 定义字段与类型，让 LM 自动生成结构化结果（如 JSON 或 Pydantic）
Module（模块）
执行单元，对应不同的推理或提示模式（如 ChainOfThought、ReAct、Predict）。模块与签名结合后，由 DSPy 自动生成 Prompt 并解析输出，可自由组合成可编程推理流程。
LM 抽象与配置
统一封装各类大模型（OpenAI、Anthropic、Gemini、Ollama 等）。一次配置，全局生效
Adapters / Tools / Primitives
Adapters：格式适配（如 ChatAdapter、JSONAdapter）。
Tools：可调用工具（Python解释器、检索器、Embedding 等）。
Primitives：支持历史记录、图像、音频等多模态输入。
Optimizers（优化器）
自动改进 Prompt、示例或触发微调。典型如 GEPA（进化式反思优化），通过生成与演化改进提示词，比传统 RL 效果更好。
Compiler（编译器）与自我改进流水线DSPy 会将声明式程序“编译”为实际 Prompt 与训练任务，并持续收集反馈、生成示例、优化提示。
#多模态人工智能 #机器学习 #prompt #大模型
