[2

抓取DSPY的声明方法，用于简化LLM应用程序开发。 了解DSPY如何自动化提示工程并优化复杂任务的性能。 探索实用的DSPY示例，例如数学解决问题和情感分析。

获得将DSPY集成到现有系统并优化LLM Workflows的见解。
• （本文是数据科学博客马拉松的一部分。）
• 目录：
什么是dspy？

使用DSPY 自动提示工程

DSPY的优势

• 常见问题
• [2
DSPY使用声明性方法简化了LLM驱动的应用程序的开发。 用户定义
• 该模型应该做什么，而不是
如何做。 关键组件包括：
• 签名：
声明规范定义模块输入/输出行为（例如，“问题 - >答案”）。 签名阐明了模型的预期功能。
• 模块：
LLM Pipeline中的抽象标准提示机制。 每个模块都处理特定的签名和提示方法。 模块结合起来创建复杂的应用程序。
修改DSPY程序参数（模型权重，提示），以提高准确度等指标。此自动化消除了手动提示工程。

任务定义：

数据收集：收集相关输入示例，标记或未标记。准备DSPY处理的数据。 管道构建：选择适当的DSPY模块，为每个模块定义签名，然后组装一个数据处理管道。

编译和执行：
• 将优化的管道编译到可执行的Python代码中并部署它。根据定义的指标评估性能。 分析性能，完善管道（调整模块，数据，优化参数），并重复以改进结果。 [2 [2
DSPY将及时的工程视为机器学习问题，而不是手动任务。 它采用：
• boottrapping：[2
提示链接：
• 将复杂的任务分解为更简单的子prompts。提示结合：结合了多个提示变体，以提高鲁棒性和性能。

（注意：需要安装，并使用API​​键进行配置。）

1. 导入DSPY lm = dspy.lm（'OpenAi/gpt-4o-mini'，api_key ='您的API键'）＃替换为API键 dspy.configure（lm = lm） Math = dspy.Chainofthought（“问题 - >答案：float”） 响应=数学（问题=“地球与太阳之间的距离是多少？”） 打印（响应）
[2
2. 从输入导入文字 类分类（dspy.signature）： 句子：str = dspy.inputfield（） 情感：文字['paster'，'否定'，'中性'] = dspy.outputfield（） 信心：float = dspy.outputfield（） 分类= dspy.predict（分类） 分类（句子=“我喜欢学习新技能！”） [2
3. 垃圾邮件检测：（与情感分析相似的结构，将电子邮件分类为垃圾邮件/不垃圾邮件）
[2
4. [2 [2
声明编程
5. 模块化
自动化优化
6. [2 可伸缩性

结论：

Q2：是否需要广泛的提示工程知识？
• a：不，DSPY摘要提示工程复杂性。 Q3：DSPY是否支持各种AI模型？
a：是的，它是model-agnostic（需要API键）。
• A：通过引导，优化器和迭代改进。 （注意：图像源不是作者拥有的，并且在许可方面使用。