我的知识库

Appearance

DSPy 程序化提示 ​

在知识图谱中的位置：模块二 · 02_核心框架 · 第 5 节 难度：⭐⭐ | 前置知识：Prompt Engineering

1. 概述 ​

**DSPy（Delivering State-of-the-Prompt at scale）**是斯坦福大学的提示工程框架，核心理念：不手写 Prompt，而是用代码声明式定义 Agent 行为，让框架自动优化。

传统 Prompt Engineering：手写 Prompt → 手动调优 → 效果不确定
DSPy：声明行为 → 自动优化 → 效果可复现

2. 核心概念 ​

2.1 DSPy 的核心组件 ​

组件功能
Signature声明输入/输出格式
Module可组合的 Agent 模块
Predictor基础预测层
Optimizer自动优化 Prompt/参数

2.2 声明式编程范式 ​

传统: 手写 Prompt → 调参 → 试错
DSPy: 声明签名 → 编译器优化 → 确定结果

3. 技术原理 ​

3.1 核心示例 ​

python
import dspy

# 1. 声明输入/输出签名
class QA(dspy.Signature):
    """给一个问题和一段上下文，生成答案"""
    context: str = dspy.InputField()
    question: str = dspy.InputField()
    answer: str = dspy.OutputField()

# 2. 创建模块（声明式，不写 Prompt）
predict = dspy.Predict(QA)

# 3. 使用（自动优化 Prompt）
result = predict(
    context="AI Agent 是自主决策的...",
    question="什么是 AI Agent?"
)
print(result.answer)

# 4. 优化（自动调 Prompt）
from dspy.teleprompt import BootstrapFewShot

teleprompter = BootstrapFewShot(metric=accuracy_metric)
optimized_predict = teleprompter.compile(predict, trainset=train_data)

3.2 DSPy 与 Agent 的结合 ​

python
# 声明 Agent 的行为（不写 Prompt）
class AgentWorkflow(dspy.Signature):
    """分析用户请求并返回行动"""
    user_input: str = dspy.InputField()
    analysis: str = dspy.OutputField()
    action: str = dspy.OutputField()
    parameters: dict = dspy.OutputField()

agent = dspy.Predict(AgentWorkflow)

# Agent 自动优化内部 Prompt
response = agent(user_input="北京天气并订餐厅")
print(response.analysis)    # "用户需要天气查询和订餐"
print(response.action)      # "multi_tool_call"
print(response.parameters)  # {"tools": [...]}

4. 实践指南 ​

4.1 最佳实践 ​

  1. 签名要精确 — DSPy 靠签名生成优化
  2. 用 BootstrapFewShot — 最实用的优化器
  3. 评估要量化 — metric 决定优化方向
  4. 迭代优化 — 多次 compile 效果更好

4.2 常见陷阱 ​

陷阱解法
签名太模糊加更多描述
训练数据不足至少 20-50 条
metric 不合理选准确指标
过度优化加 validation set

5. 参考资料 ​

6. 学习路径 ​

  1. Level 1 — 理解签名式声明
  2. Level 2 — 用 BootstrapFewShot 优化
  3. Level 3 — 实现 Agent 签名
  4. Level 4 — DSPy + Agent 框架组合
  5. Level 5 — 理解优化算法原理