DSPy 是一个 Python 框架，它把"手写提示词（Prompt）"换成"用标注数据和评分指标把提示词编译出来"。它由斯坦福的研究团队提出，代表了一类叫自动提示优化（Automatic Prompt Optimization）的思路。
它解决什么问题
传统做法是这样的：你写一段提示词，跑几条样例，觉得不行就改改字、加一句"请一步步思考"、塞两个示例，再跑一遍。改到满意为止。这个过程全靠手感和反复试错，换个人接手、或者换一个模型，基本要重来一遍。
DSPy 的想法是：别手写，让程序自己去搜。
"编译"是怎么发生的
大致四步：
1. 签名（Signature）：声明这一步吃什么、吐什么，比如 question -> answer。
2. 模块（Module）：用 Predict、ChainOfThought 这类积木搭出流程，可以串联、分支、调用工具。
3. 指标（Metric）：写一个打分函数，输入模型输出，返回分数。可以是精确匹配，也可以让另一个模型当裁判。
4. 优化器（Optimizer）：拿一小批标注数据反复跑，自动试出每个模块最合适的提示词——既包括指令怎么措辞，也包括该放哪些少样本示例（few-shot examples）。
打个比方。手写提示词像老师傅凭手感放盐，放多少全看经验。DSPy 像把配方交给一台自动调味机：你告诉它这道菜要什么（签名）、给它几盘标好"合格/不合格"的样品（标注数据）、定一条评分标准（指标），它自己反复试配比，最后交出分数最高的一套。
和相邻概念的区别
| 做法 | 改的是什么 | 数据需求 | 换模型后 |
|---|---|---|---|
| 手写提示词 | 人的措辞 | 几乎没有 | 大概率重写 |
| DSPy 自动优化 | 提示词与示例 | 几十条标注 | 重新编译一次 |
| 微调（AI 词典：Fine-tuning">Fine-tuning） | 模型权重 | 通常需要大量标注 | 重新训练 |
还有一点容易混淆：DSPy 不是"连接模型"的编排框架，它管的是"把提示词调到最好"，编排只是顺带。而 APE、OPRO 这类方法更多是在搜索单条提示词，DSPy 把范围扩大到了整个程序。
对谁有用
对从业者：提示词从"手工艺品"变成可测试、可回归的工程产物。以前改提示词靠争论，现在可以拿指标说话。它最适合流程稳定、好坏判据明确、评测数据能攒起来的任务，比如分类、信息抽取、结构化问答。反过来，开放式创意写作这种没法打分的任务，优化器也无从下手。
对普通职场人：这里透出的信号是——"会写提示词"的价值正在从"会写"转向"会定标准"。你能不能讲清楚什么叫好、能不能攒出几十条带答案的样例，比会不会加一句"请一步步思考"更关键。
最后提醒：不同框架、不同优化器的行为和参数差异不小，实际选型请以官方文档为准。