PROVIDER - 声明式提示与模型编程框架

DSPy

DSPy 由斯坦福团队维护,用 Signature 声明输入输出,1 份定义即可切换模型与提示策略,并提供 3 类优化器用少量样本自动搜索更优提示组合;不足是需自备评估集与指标、优化过程消耗调用额度。

AI平台 美国 2026.11.19
3.8分

详细说明

优势 5 项

用 Signature 声明输入输出,1 份定义即可切换不同模型与提示策略
提供 3 类优化器,用少量样本自动搜索更优提示与示例组合
把提示从手写字符串升级为可编译程序,2 次重构不会散落各处
与主流模型服务和检索组件兼容,可嵌入 1 条既有 RAG 管道而不改架构
由斯坦福团队维护,方法论有 2 篇核心论文与配套课程支撑

不足 4 项

需要准备评估集与指标,前期投入高于直接写提示
优化过程会消耗模型调用额度
概念抽象对新手不够直观
生态与周边工具仍在完善中

服务商概述

DSPy 是斯坦福团队开源的声明式提示编程框架,把提示工程从手写字符串变成可编译、可优化的程序。

在 AI 平台分类里,它属于「提示与模型编程层」:适合需要稳定效果并持续迭代的管道场景。

核心优势

  • 声明式定义:Signature 描述输入输出
  • 自动优化:3 类优化器可选
  • 可编译程序:提示成为代码资产
  • 兼容生态:可嵌入现有 RAG
  • 学术支撑:论文与课程齐备

产品生态

平台能力

Signature 与 Module 定义、优化器与指标评估、示例自动挑选、多模型适配、与检索模块组合、结果对比与回归评估。

集成

支持主流模型服务与自建端点,可与向量库、检索框架共同组成管道。

典型场景

RAG 效果调优、分类与抽取任务、多步推理管道、提示回归测试。

不足之处

  • 前期投入:需准备评估集与指标
  • 优化成本:搜索过程消耗额度
  • 概念门槛:抽象不够直观
  • 生态成熟度:周边工具仍在完善

适用场景

  • 效果驱动的 RAG(★★★★☆):优化收益明显
  • 可回归的提示迭代(★★★★☆):像代码一样测试
  • 快速原型验证(★★★☆☆):手写提示更快
  • 算力紧张场景(★★☆☆☆):优化需调用额度

价格参考

项目 价格 备注
开源框架 $0 MIT 许可免费使用
模型调用 按用量计费 由所选模型服务决定
企业支持 需联系销售 通过社区或顾问获取

常见问题

DSPy 会取代提示工程吗?

它把提示从手写转为编译优化,仍需人定义任务与指标。

必须准备数据集吗?

优化环节需要少量带标签样本与评估指标。

支持本地模型吗?

支持,可接入自建 OpenAI 兼容端点。

与 LangChain 的关系?

DSPy 可嵌入 LangChain 或 LlamaIndex 组成的管道。

代码示例

import dspy

lm = dspy.LM("openai/gpt-4o-mini")
dspy.configure(lm=lm)

class QA(dspy.Signature):
    """根据上下文回答问题。"""
    context: str = dspy.InputField()
    question: str = dspy.InputField()
    answer: str = dspy.OutputField()

qa = dspy.Predict(QA)
print(qa(context="退款需在 7 天内申请。", question="退款期限多久?").answer)
# 安装 DSPy
pip install -U dspy

社区与资源

  • 官方网站:https://dspy.ai/
  • 官方文档:https://dspy.ai/learn/
  • 源码仓库:https://github.com/stanfordnlp/dspy
前往 DSPy 官网 → https://dspy.ai/
访问官网 ↗