[2

抓取DSPY的聲明方法，用於簡化LLM應用程序開發。 了解DSPY如何自動化提示工程並優化複雜任務的性能。 探索實用的DSPY示例，例如數學解決問題和情感分析。

獲得將DSPY集成到現有系統並優化LLM Workflows的見解。
• （本文是數據科學博客馬拉鬆的一部分。）
• 目錄：
什麼是dspy？

使用DSPY 自動提示工程

DSPY的優勢

• 常見問題
• [2
DSPY使用聲明性方法簡化了LLM驅動的應用程序的開發。 用戶定義
• 該模型應該做什麼，而不是
如何做。 關鍵組件包括：
• 簽名：
聲明規範定義模塊輸入/輸出行為（例如，“問題 - >答案”）。 簽名闡明了模型的預期功能。
• 模塊：
LLM Pipeline中的抽象標準提示機制。 每個模塊都處理特定的簽名和提示方法。 模塊結合起來創建複雜的應用程序。
修改DSPY程序參數（模型權重，提示），以提高準確度等指標。此自動化消除了手動提示工程。

任務定義：

數據收集：收集相關輸入示例，標記或未標記。準備DSPY處理的數據。 管道構建：選擇適當的DSPY模塊，為每個模塊定義簽名，然後組裝一個數據處理管道。

編譯和執行：
• 將優化的管道編譯到可執行的Python代碼中並部署它。根據定義的指標評估性能。 分析性能，完善管道（調整模塊，數據，優化參數），並重複以改進結果。 [2 [2
DSPY將及時的工程視為機器學習問題，而不是手動任務。 它採用：
• boottrapping：[2
提示鏈接：
• 將復雜的任務分解為更簡單的子prompts。 提示結合：結合了多個提示變體，以提高魯棒性和性能。

（注意：需要安裝，並使用API​​鍵進行配置。）

1. 導入DSPY lm = dspy.lm（'OpenAi/gpt-4o-mini'，api_key ='您的API鍵'）＃替換為API鍵 dspy.configure（lm = lm） Math = dspy.Chainofthought（“問題 - >答案：float”） 響應=數學（問題=“地球與太陽之間的距離是多少？”） 打印（響應）
[2
2. 從輸入導入文字 類分類（dspy.signature）： 句子：str = dspy.inputfield（） 情感：文字['paster'，'否定'，'中性'] = dspy.outputfield（） 信心：float = dspy.outputfield（） 分類= dspy.predict（分類） 分類（句子=“我喜歡學習新技能！”） [2
3. 垃圾郵件檢測：（與情感分析相似的結構，將電子郵件分類為垃圾郵件/不垃圾郵件）
[2
4. [2 [2
聲明編程
5. 模塊化
自動化優化
6. [2 可伸縮性

結論：

Q2：是否需要廣泛的提示工程知識？
• a：不，DSPY摘要提示工程複雜性。 Q3：DSPY是否支持各種AI模型？
a：是的，它是model-agnostic（需要API鍵）。
• A：通過引導，優化器和迭代改進。 （注意：圖像源不是作者擁有的，並且在許可方面使用。