还在靠”咒语”调教AI？斯坦福团队用代码接管大模型

还在靠”咒语”调教 AI？斯坦福团队教你用代码接管大模型——

说出来你可能不信，我见过太多人调 AI 就是”炼丹”：一个 prompt 改来改去，加修饰词、调格式、试 Few-shot……调了三天，最后发现换了个模型又不好使了。

DSPy 彻底反过来了——你写 Python，大模型自己学怎么配合你。

01 什么是 DSPy

DSPy 是斯坦福 NLP 团队出品的”声明式 LM 编程框架”，全称 Declarative Self-improving Python。一句话：不是你在 prompt 大模型，而是你在编程，大模型自己学会怎么执行。

GitHub 已斩获 19,800+ stars，是当前 AI+编程方向最火的开源项目之一。

02 核心思路：签名 > 提示词

DSPy 的核心概念叫签名（Signature），本质上就是定义”输入什么、输出什么”：

class QA(dspy.Signature):
    """Answer questions with short factual answers."""
    question = dspy.InputField()
    answer = dspy.OutputField(desc="often between 1 and 5 words")

然后直接调用：

qa = dspy.Predict(QA)
response = qa(question="What is the capital of France?")
print(response.answer)  # Paris

没了。没有 prompt 字符串，没有 Few-shot 示例，模型自己推理。

03 思维链 + 自动优化，才是杀手锏

如果你嫌 Predict 太简单，可以换 ChainOfThought，自动生成推理步骤：

cot = dspy.ChainOfThought("question -> answer")
response = cot(question="If John has 5 apples and gives 2 to Mary, how many does he have?")
print(response.rationale)  # 推理步骤
print(response.answer)     # 3

但更狠的是优化器。你给几个训练例子，DSPy 会自动调整 prompt/推理策略，比你手动调优靠谱得多：

from dspy.teleprompt import BootstrapFewShot
optimizer = BootstrapFewShot(metric=validate_answer, max_bootstrapped_demos=3)
optimized_qa = optimizer.compile(qa, trainset=trainset)

这就是”系统级调教”——不是调一条 prompt，是调整个模块的行为模式。

04 适合谁用

• AI 工程师：快速搭 RAG、Agent 流水线，不用天天改 prompt
• 研究者：用 MIPRO / BootstrapFinetune 自动搜最优提示策略
• 全栈开发者：多模型切换（Claude/GPT/Ollama），一套代码换后端

05 怎么安装

pip install dspy
# 或者开发版
pip install git+https://github.com/stanfordnlp/dspy.git
# 支持 Claude / GPT / Ollama
pip install dspy[anthropic] dspy[openai]

文档地址：https://dspy.ai

GitHub 仓库（含完整示例）：
https://github.com/stanfordnlp/dspy

编程而非 prompting——这是大模型开发下一个范式转变的信号，建议先收藏这个框架。

GitHub: https://github.com/stanfordnlp/dspy