### [DSPy：用编程取代提示词工程，Stanford 出品 LLM 应用优化框架，27.5K+ Stars](https://www.willai.cc/article/2403)

**Published:** 2026-06-22T23:18:39

**Author:** hiyoho

**Excerpt:** 📌 项目简介 DSPy（Declarative Self-improving Language Programs in Python）是斯坦福大学开发的 LLM 编程框架，让你用 编程取代提示词工程。不再手写 prompt，而是定义模块 +

## 📌 项目简介

**DSPy**（Declarative Self-improving Language Programs in Python）是斯坦福大学开发的 **LLM 编程框架**，让你用 **编程取代提示词工程**。不再手写 prompt，而是定义模块 + 数据，DSPy 自动优化提示词和权重，让 LLM 应用可靠、可测量、可迭代。

## 🔧 安装要求与过程

### 环境要求

-   Python ≥ 3.9
-   pip 包管理器
-   （可选）OpenAI / Anthropic / Google API Key，或本地 Ollama

### 快速安装

```
# 基础安装（仅 DSPy 核心）
pip install dspy-ai

# 安装常用扩展（推荐）
pip install dspy-ai[vertexai,anthropic,cohere]

# 从源码安装最新版
pip install git+https://github.com/stanfordnlp/dspy.git
```

### Hello World

```
import dspy

# 配置 LLM（支持 OpenAI / Claude / Gemini / Ollama 等）
lm = dspy.LM("openai/gpt-4o-mini")
dspy.configure(lm=lm)

# 定义签名（Signature）：输入 → 输出
class QnA(dspy.Signature):
    question = dspy.InputField()
    answer   = dspy.OutputField()

# 创建预测器
qa = dspy.Predict(QnA)

# 直接调用！
result = qa(question="DSPy 是什么？")
print(result.answer)
```

## ⭐ 核心功能

1

**签名（Signature）= 结构化 Prompt**

用类型安全的 Python 类定义输入输出，DSPy 自动生成高质量 prompt。告别手工调 prompt，代码即文档。

2

**自动优化器（Optimizer）= 自动 Prompt 工程**

内置 `BootstrapFewShot`、`MIPROv2`、`COPRO` 等优化器，只需提供训练数据，DSPy 自动搜索最优 prompt / 示例 / 权重。质量可测量、可复现。

3

**模块化编程模型 = 像 PyTorch 一样组合 LLM**

提供 `Predict`、`ChainOfThought`、`ProgramOfThought`、`Retriever` 等模块，自由组合成复杂 pipeline，支持多跳推理、工具调用、RAG。

4

**全模型兼容 = 一处编写，任意 LLM 运行**

统一接口支持 OpenAI、Anthropic、Google、Cohere、Ollama、Together AI、Azure 等 30+ LLM 提供商，切换模型只需改一行配置。

5

**内置评估框架 = 量化 AI 应用质量**

提供 `Evaluate` 和 `Metric` 工具，科学评估模型效果，支撑数据驱动的迭代优化。

## 🚀 典型使用场景

### 场景 1：RAG 问答系统（最经典用法）

```
import dspy
from dspy.datasets import HotPotQA

# 配置检索器 + LM
colbertv2 = dspy.ColBERTv2(url="http://20.102.90.50:2017/wiki17_abstracts")
lm = dspy.LM("openai/gpt-4o-mini")
dspy.configure(lm=lm, rm=colbertv2)

# 定义 RAG 签名
class GenerateAnswer(dspy.Signature):
    context = dspy.InputField(desc="相关维基百科段落")
    question = dspy.InputField()
    answer   = dspy.OutputField()

# 构建 RAG 管道
class RAG(dspy.Module):
    def __init__(self):
        super().__init__()
        self.retrieve = dspy.Retrieve(k=3)
        self.generate = dspy.ChainOfThought(GenerateAnswer)

    def forward(self, question):
        context = self.retrieve(question).passages
        return self.generate(context=context, question=question)

# 编译优化（自动调参）
from dspy.teleprompt import MIPROv2
teleprompter = MIPROv2(metric=dspy.evaluate.answer_exact_match)
optimized_rag = teleprompter.compile(
    RAG(), trainset=your_trainset, valset=your_valset
)
```

### 场景 2：多跳推理 Agent

DSPy 原生支持构建多步推理 Agent，结合 `ReAct` 模块和工具调用，让 LLM 自主规划 + 执行复杂任务：

```
class MultiHopQA(dspy.Module):
    def __init__(self):
        self.react = dspy.ReAct(GenerateAnswer)
        # ReAct 自动循环：Thought → Action → Observation → ...
    
    def forward(self, question):
        return self.react(question=question)
```

### 场景 3：生产级 Prompt 优化（MLOps 集成）

用 DSPy 的评估 + 优化管线，将 prompt 工程纳入 CI/CD：每次模型更新自动重新优化 prompt，保证质量不回退。

* * *

## 💡 推荐理由

如果你还在手写 prompt、手动调 few-shot 示例、靠感觉评估 LLM 应用质量——**DSPy 会彻底改变你的工作方式**。

它的核心洞察是：**Prompt 是代码，应该像代码一样被编译、优化、测试**。DSPy 把 prompt 工程从「手工艺」升级为「工程学科」，让 LLM 应用开发进入可测量、可迭代的正循环。

最打动我的是 **MIPROv2 优化器**：给它一堆训练数据，它能自动搜索最优的指令指令 + few-shot 示例组合，效果往往超过手工调参。对于需要稳定质量的 production 场景，这是救命稻草。

另外，DSPy 的学术背景（斯坦福 Ocelot 团队，NeurIPS/ICML 多篇论文）保证了它的方法论严谨性，不是又一个「AI 包装框架」。

**📊 项目数据**

|     |     |
| --- | --- |
| **GitHub Stars** | 27.5K+ |
| **开源许可** | MIT License |
| **主要语言** | Python |
| **维护团队** | Stanford Ocelot Lab（@stanfordnlp） |
| **最新版本** | v2.6+（2026 持续更新） |
| **文档地址** | [dspy.ai](https://dspy.ai) |

* * *

## 📥 下载地址

🌐

官方网站

[dspy.ai](https://dspy.ai)

💻

GitHub 仓库

[github.com/stanfordnlp/dspy](https://github.com/stanfordnlp/dspy)

📚

官方文档

[dspy.ai/docs](https://dspy.ai/docs)

💬

Discord 社区

[discord.gg/XCGy2WOMnX](https://discord.gg/XCGy2WOMnX)

🎯 立即用 DSPy 把你的 LLM 应用工程化

告别手工调 prompt，拥抱可测量、可优化的 LLM 编程新范式

**Tags:** AI, AI Agent, AI开源项目, DSPy, LLM, Python, RAG, 开源, 提示工程, 自动优化

**Categories:** 开源项目

---