DSPy 入门： 再见提示，你好编程

最新推荐文章于 2025-06-11 18:04:32 发布
最新推荐文章于 2025-06-11 18:04:32 发布
阅读量2.8k 收藏 34
点赞数 12
CC 4.0 BY-SA版权
分类专栏： # 提示工程/大模型使用教程PromptEngineerin LLM大语言模型 文章标签： 语言模型 人工智能 自然语言处理 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_37574187/article/details/138485691

DSPy 入门： 再见提示，你好编程

情报工作站 情报工作站 2024-03-04 10:01 浙江

DSPy 入门： 再见提示，你好编程

翻译：Intro to DSPy: Goodbye Prompting, Hello Programming! | by Leonie Monigatti | Feb, 2024 | Towards Data Science[1]

目前，使用大型语言模型（LLM）构建应用程序不仅复杂，而且脆弱。由于 LLM 对提示方式非常敏感，因此典型的流水线通常使用提示语来实现，而提示语则是通过反复试验手工制作的。因此，当您更改管道中的某个部分（如 LLM 或数据）时，很可能会削弱其性能--除非您调整提示（或微调步骤）。

当你改变管道中的某个部分（如 LLM 或数据）时，很可能会削弱其性能...

DSPy [1] 是一个旨在解决基于语言模型（LM）的应用程序脆弱性问题的框架，它优先考虑编程而不是提示。它允许您重新编译整个流水线，以便根据您的特定任务进行优化，而不是每当您更改一个组件时，就重复一轮人工提示工程。

虽然关于该框架的论文 [1] 早在 2023 年 10 月就已发表，但我最近才了解到它。只看了一个视频（"DSPy Explained!

了解本专栏 订阅专栏 解锁全文 超级会员免费看
DSPy系列之 如何使用 DSPy 构建 LangChain RAG？(教程含源码)
iCloudEnd的博客
08-08 412
什么是 RAG？什么是 DSPy？什么是 RAGA？评估 LLM 流程如何结合 RAG 和 DSPy？构建我们的 RAG DSPy 管道简而言之，RAG 是一种为我们的 LLM 提供额外背景信息的技术，可生成更好、更具体的响应。LLM 是在公开数据上进行训练的，它们实际上是独立的智能系统，但它们无法回答特定问题，因为它们缺乏回答这些查询的背景信息。借助 RAG，我们为它们提供了必要的背景信息，以便它们正确回答我们的查询。
DSPy：从提示到编程的范式转变
步子哥的博客
12-28 762
DSPy 的出现为提示工程提供了一种全新的思路：从手工调整到算法优化，从提示驱动到逻辑驱动。尽管它仍有改进空间，但其核心理念和功能已经展现出巨大的潜力。在未来，随着 LLM 的应用场景不断扩展，DSPy 或许会成为复杂用例的标配工具，为生成式 AI 的发展注入新的活力。
DSPy: 革新语言模型应用的声明式编程框架
强化学习曾小健
06-24 1536
DSPy的核心理念是将LLM pipeline抽象为文本转换图（text transformation graphs这种方法受到深度学习框架（如PyTorch、Theano和Chainer）的启发，旨在为基础模型编程提供一个坚实的概念框架和强大的编程抽象。DSPy引入了三个关键概念：签名（Signature）：抽象化模块的输入/输出行为模块（Module）：替代现有的手动提示技术，可在任意pipeline中组合提词器（Teleprompter）：优化pipeline中的。
DSPy Prompt自动生成最佳实践
最新发布
qq_44193969的博客
06-11 926
DSPy框架入门与实践：复杂问题分解任务探索 摘要：本文介绍了斯坦福大学开发的DSPy框架，这是一个用于构建基于语言模型应用的编程框架。通过一个复杂问题分解任务（将主问题拆解为多个子问题），展示了DSPy的实际应用流程。作者使用生成的数据集，包含16组问答对，涵盖了商业、科技、地理等多个领域的问题分解示例。实验采用编辑距离作为评估指标，当生成的子问题与参考答案的相似度超过80%时判定为正确。由于数据量较小，实验中训练集、验证集和测试集使用了相同的数据。该案例展示了DSPy从编程角度构建语言模型应用的思路，区
DSPy入门：告别指令提示，拥抱编程之旅！
安静的软件工程师
04-23 6912
DSPy入门：告别指令提示，拥抱编程之旅！
CompressAI 项目使用教程
gitblog_00112的博客
08-08 551
CompressAI 项目使用教程 项目目录结构及介绍 CompressAI 项目的目录结构如下： CompressAI/ ├── compressai/ │ ├── __init__.py │ ├── ans/ │ ├── datasets/ │ ├── entropy_models/ │ ├── latent_codecs/ │ ├── layers/ │ ├── ...
DSPy: 编程而非提示的基础模型框架
gitblog_09525的博客
09-13 385
DSPy: 编程而非提示的基础模型框架 项目基础介绍和主要编程语言 DSPy（Declarative Self-improving Language Programs）是由斯坦福大学自然语言处理小组开发的一个开源项目，旨在通过编程而非提示的方式来优化基础模型（如GPT-3、GPT-4等）的使用。该项目主要使用Python语言进行开发，适合熟悉Python的开发者使用。 项目核心功能 DSPy的核心...
DSPy实战：三十分钟无痛上手自动化Prompt框架
2401_84495872的博客
07-17 7679
DSPy 是一款功能强大的框架。它可以用来自动优化大型语言模型（LLM）的提示词和响应。还能让我们的 LLM 应用即使在 OpenAI/Gemini/Claude版本升级也能正常使用。无论你有多少数据，它都能帮助你优化模型，获得更高的准确度和性能。通过选择合适的优化器，并根据具体需求进行调优，你可以在各种任务中获得出色的结果。在官方教程中使用LLM 为，数据集为在线的ColBERTv2 服务器，托管维基百科 2017 年“摘要”搜索索引问答数据集使用了HotPotQA数据集中的一个小样本。
多智能体 DSPy 程序：利用 Llama3 进行引导与聚合
步子哥的博客
08-30 1255
本示例中我们将使用Llama3-8b模型替代GPT-3.5。我们将构建一个ReAct智能体，在基于检索的问题回答任务中获得 24% 的准确率。接着，我们将使用优化器将其准确率提升至 35%。之后，我们将基于五个不同优化版本的智能体构建一个多智能体聚合器。未优化的聚合器初始准确率为 21%，由于对任务理解不足，我们还会对聚合器进行优化。最终，经过优化的多智能体系统将实现 59% 的准确率。
DSPy：用基础模型编程的利器
步子哥的博客
08-29 783
DSPy为我们提供了一种新的范式来使用和优化大语言模型。通过将复杂任务分解为可组合的模块,并利用自动编译和优化,DSPy让我们能够更轻松地构建复杂的AI应用。随着基础模型的不断发展,DSPy这样的高级抽象工具将在未来的AI应用开发中扮演越来越重要的角色。无论你是想构建一个简单的问答系统,还是复杂的多任务AI助手,DSPy都能为你提供强大而灵活的工具。让我们拥抱这个用基础模型编程的新时代,用DSPy释放AI的无限可能!
图解DSPy：Prompt的时代终结者？！
鲁班模锤
06-02 2294
DSPy是一种编程模型，旨在改进语言模型 （LM）在复杂任务中的使用方式。传统上，LM使用特定的提示模板（Prompt）进行控制，这些模板是基本前期大量的尝试而找到的预设指令。DSPy通过将LM流水线抽象为文本转化图谱，例如被其他申明模块触发的LM的命令计算图谱。
DSpy
03-05
DSpy
DSPy 就是你需要的，放弃 LangChain 吧！
u010295555的博客
04-30 3450
翻译自提示工程的状态并不强大。只需看看我们现在必须包含在提示中的信息，以引出我们想要的回应。这既荒谬又令人担忧。拟人化的程度已经高得离谱。我们现在必须贿赂 LLMs？得了吧。从一开始，我就发现提示工程有一些严重的局限性。同一个提示并不总是产生相似的或甚至是连贯的结果。改变一个词可能会对输出产生巨大的影响。提示工程往往太脆弱，太不可靠。我们不能在沙子上建造未来的系统，更不用说人工通用智能（AGI）了。顺便说一下，我最近提出，我们可能甚至无法建造任何 AGI。
DSPy：构建一个逻辑推理器
u010295555的博客
04-30 1011
让我们使用 DSPy 构建一个逻辑推理器。推理器的原理很简单。给定一段文本，它首先提取事实，并将它们归类为前提和结论。前提是论点声称将支持其结论的陈述或事实。它们是认为结论为真的理由。结论是前提应该支持或证明的陈述。这是演讲者或作者试图让你基于所提供的前提相信的内容。正确识别前提和结论至关重要。这涉及到理解论点的结构，这些结构可能是明确的或隐含的。逻辑、批判性思维或论证理论的训练可以提高这项技能。在识别了前提和结论之后，推理者必须检查所做论点的有效性和合理性。
新RAG架构范式！DSPy将革命性改变RAG系统架构方式！！
musicml的博客
07-03 1245
▼最近直播超级多，预约保你有收获—1—什么是 DSPy？DSPy（Declarative Self-improving Language Programs (in Python)）是斯坦福大学 NLP 研究人员开发的 "基础模型编程 "框架。它强调编程而非提示词，旨在简化复杂语言模型应用的构建过程。DSPy 允许开发者专注于应用程序的高级逻辑，同时抽象掉许多低级细节。DSPy 包含多种技术，可以提...
告别繁琐提示词，斯坦福DSPy框架开创LLM开发新思路，Star突破1.8万
寒冰屋的专栏
12-12 282
告别繁琐提示词，斯坦福DSPy框架开创LLM开发新思路，Star突破1.8万
如何使用 DSPy 构建多步骤推理的 RAG 系统
FrenzyTechAI的博客
07-25 1439
检索增强生成 (RAG) 系统已经成为构建基于大语言模型 (LLM) 应用的强大方法。RAG 系统的工作原理是：首先使用检索模型从外部知识源检索相关信息，然后使用这些信息来提示 LLM 生成最终的响应。然而，基本的 RAG 系统（也称为朴素 RAG）在处理需要对多条信息进行推理的复杂查询时可能会遇到挑战。多步骤检索的出现正是为了解决这一问题。在多步骤检索中，系统会跨多个步骤或“跳跃”收集信息，以回答复杂的问题或收集详细信息。这种技术在高级问答系统中很常见，其中多个来源或文档包含回答问题所需的信息。构建多步骤
DSPy 快速参考手册
步子哥的博客
09-02 477
DSPy 快速参考手册
LLMs之DSPy：DSPy(可优化RAG系统)的简介、安装和使用方法、案例应用之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
04-21 3020
简而言之，更少的提示，更高的分数，以及更系统的方法来解决 LM 的难题。总的来说，DSPy为RAG系统的开发注入了新的活力，开辟了一种全新的构建和部署方式，值得AI开发者和研究人员探索和实践。总之，DSPy提供了一个系统和模块化的方法来设计基于PLM的NLP管道，有助于探索这个领域的新可能。：DSPy 的自动优化功能可以帮助调整您的 RAG 系统以获得更好的性能，通常超越手动调整的系统。>> 在几分钟到几十分钟的编译时间内，利用小型LM(如770M参数的T5)就可以实现强大的表现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

医疗AI强化曾小健

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值