一个Prompt工程师的觉醒

小李是一名Prompt工程师。她每天的工作是：写Prompt、测试、看结果、改措辞、再测试、再看结果、再改措辞…循环往复。她感觉自己像在"炼金"——加一点"请"，加一点"专业"，加一点"step by step"，然后祈祷效果变好。

直到她发现了DSPy。

DSPy（Declarative Self-improving Python）是Stanford NLP实验室开发的框架，它的核心理念是：Prompt不应该手工编写，而应该通过算法自动优化。

DSPy的核心概念

DSPy有三个核心概念，理解了这三个概念，你就理解了DSPy：

概念一：Signature（签名）。 定义模型的输入输出接口。例如：“question -> answer"表示输入一个问题，输出一个答案。“context, question -> answer"表示输入上下文和问题，输出答案。Signature是DSPy中"任务定义"的方式。

概念二：Module（模块）。 定义任务的处理逻辑。最简单的模块是dspy.Predict（直接预测），更复杂的模块包括dspy.ChainOfThought（思维链推理）、dspy.ReAct（推理+行动）等。Module是DSPy中"Prompt结构"的抽象。

概念三：Optimizer（优化器）。 根据训练数据和评估指标，自动搜索最优的Prompt。DSPy提供了多种优化器：BootstrapFewShot（自动生成Few-shot示例）、BootstrapFinetune（自动生成微调数据）、MIPROv2（多步交互式优化）等。

实战：用DSPy优化一个客服Prompt

假设你有一个客服AI，需要将用户的投诉分类为"退款"“换货"“投诉"“咨询"四类。原始Prompt是手写的，准确率约为78%。我们来看看DSPy如何将准确率提升到93%。

第一步：定义Signature和Module

import dspy

class CustomerClassification(dspy.Signature):
    """将客户消息分类为退款、换货、投诉、咨询"""
    message = dspy.InputField()
    category = dspy.OutputField(desc="退款、换货、投诉或咨询")

classify = dspy.ChainOfThought(CustomerClassification)

第二步：准备训练数据 只需要20-50个标注样本，DSPy就能自动优化。

trainset = [
    dspy.Example(message="我买的东西坏了，要求退款", category="退款"),
    dspy.Example(message="想换个颜色可以吗", category="换货"),
    # ... 更多样本
]

第三步：定义评估指标并优化

def accuracy_metric(example, pred, trace=None):
    return pred.category == example.category

optimizer = dspy.BootstrapFewShot(metric=accuracy_metric)
optimized_classify = optimizer.compile(classify, trainset=trainset)

结果： 经过DSPy优化后，分类准确率从78%提升到了93%。DSPy自动生成了最优的Few-shot示例和推理链，效果远超手工调优。

DSPy的三大优势

优势一：可复现。 手工Prompt优化的过程是"黑箱”——你改了措辞，效果变好了，但你不确定为什么会变好。DSPy的优化过程是透明的、可复现的——同样的数据和指标，每次运行会得到相同的优化结果。

优势二：数据驱动。 手工Prompt优化依赖"直觉”，DSPy依赖"数据”。你不需要猜测"什么样的Prompt效果好”，DSPy会通过数据自动找到答案。

优势三：可扩展。 手工优化一个Prompt可能需要几小时，优化100个Prompt可能需要几周。DSPy可以并行优化任意数量的Prompt，时间和成本线性增长。

DSPy的局限性

局限一：需要标注数据。 DSPy需要至少20-50个高质量的标注样本。对于没有标注数据的任务，你需要先手动标注。

局限二：需要编程能力。 DSPy不是"上传Prompt就自动优化"的工具，你需要用Python代码定义任务、指标和优化策略。

局限三：对复杂任务的效果有限。 对于非常复杂的推理任务（如多步数学证明），DSPy的优化效果不如简单任务明显。

结论：DSPy是2026年最值得学习的Prompt优化工具。 它把Prompt工程从"手艺"变成了"工程”，从"炼金术"变成了"科学"。如果你是一个用AI做产品的开发者，DSPy是你工具箱中不可或缺的一部分。