🧠 图解记忆： DSPy 把任务和指标写成程序，让优化器搜索 Prompt 与示例，把调提示词从手艺变成可评估工程。

💡 答案要点

DSPy = Declarative Self-Improving Programs with Language Models

DSPy 是斯坦福大学于 2023 年发布的开源框架，2026 年成为生产级 LLM 应用的标准工具。它的核心思想是：不再手工编写 Prompt，而是用程序声明 LLM 任务的目标，让 DSPy 自动找到最优的 Prompt 和 Chain 组合。

传统方式 vs DSPy 方式：

传统方式（手工调 Prompt）：
用户问题 → "你是一个助手，请回答问题" + "简洁一点" → 调参 → 调参 → 固定
                                        ↑ 靠经验，耗时数天

DSPy 方式（程序化优化）：
用户问题 → DSPy Compiler → 自动找到最优 Prompt → 最佳 Chain
                          ↑ 自动优化，数小时

DSPy 核心概念：

import dspy

# 1. 定义任务（声明式）
class MedicalRAG(dspy.Module):
    def __init__(self):
        self.retrieve = dspy.Retrieve(k=3)
        self.generate_answer = dspy.ChainOfThought(MedicalRAGSignature)

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

# 2. 定义目标（不是 Prompt！）
MedicalRAGSignature = dspy.Signature(
    "context, question -> answer",
    "你是医学问答助手，用 context 中的信息回答 question。"
)

# 3. 编译优化（自动找最优 Prompt）
optimizer = dspy.BootstrapFewShot(metric=medical_rag_quality_metric)
compiled_rag = optimizer.compile(MedicalRAG(), trainset=medical_trainset)
# 自动生成了最优的 Few-shot 示例 + Prompt 措辞

# 4. 使用
result = compiled_rag(question="糖尿病的饮食建议是什么？")

DSPy 的编译器如何工作：

Step 1: Bootstrap（引导）
  → 用少量示例让 LLM 生成候选 Prompt
  → 评估每个 Prompt 的质量

Step 2: 优化（Optimization）
  → 改变 Prompt 措辞
  → 改变 Few-shot 示例选择
  → 改变 Chain 顺序
  → 用 Bayesian 搜索找最优组合

Step 3: 输出
  → 最终的最优 Prompt + Chain 配置

DSPy vs 传统 Prompt 工程的对比：

维度	传统 Prompt 工程	DSPy
调优方式	手工试验，依赖经验	程序化搜索，自动优化
可重复性	低（难以复现）	高（配置即代码）
适配模型	一个 Prompt 专用于某模型	编译器可为不同模型优化
成本	人工时间成本高	初始优化成本高，长期收益大
适用场景	简单任务、快速验证	复杂任务、生产级应用

为什么是 2026 年重要范式转变：

"过去两年 Prompt 工程是'艺术'——靠经验、靠感觉、靠玄学。DSPy 把这件事变成了'工程'——可以测量、可以优化、可以版本控制。2026 年 GPT-5、Claude 4、DeepSeek R2 陆续发布，模型能力不断刷新，但手工写的 Prompt 没法自动迁移到新模型。DSPy 的编译器可以——同一个任务定义，换个模型重新编译就行。这对 AI 应用开发者是巨大的效率提升。"

面试话术：

"DSPy 把 LM 程序的签名、模块和基于数据的优化过程显式化，适合有代表性训练/验证集和明确指标的任务。它不保证优于手工 Prompt，也不消除模型升级后的回归；更换模型、数据或指标后仍需重新优化并验证过拟合、成本和延迟。"