详细内容或原文请订阅后点击阅览
编程，不提示：DSPY的动手指南
实用的深入研究宣言AI编程，而不是提示：DSPY的动手指南首先出现在数据科学上。
来源:走向数据科学景观建立在提示周围。我们使用长期，高度详细的逐步指南来指导LLM，例如Chatgpt或Claude，以实现所需的结果。制定这些提示需要大量的时间和精力，但是我们愿意花费它，因为更好的提示通常会带来更好的结果。
但是，达到最佳提示通常是一项具有挑战性的任务。这是一个反复试验的过程，并不总是清楚什么最适合您的特定任务或给定的LLM。结果，要达到令人满意的结果可能需要许多迭代，尤其是当您的提示长几个单词时。
为了应对这些挑战，Databricks启动了DSPY框架。 DSPY代表声明性的自我改善Python。该框架使您可以构建模块化AI应用程序。它基于这样的想法，即LLM任务可以视为编程而不是手动提示。使用标准构建块，您可以创建广泛的AI应用程序：从简单的分类器到抹布（检索增强生成）系统甚至代理。
声明性自我提出的python这种方法似乎很有希望。与我们构建传统软件相同的方式构建AI应用程序将是令人兴奋的。因此，我决定尝试DSPY。
在本文中，我们将探讨DSPY框架及其构建LLM管道的功能。我们将从简单的组合学任务开始以涵盖基础知识。然后，我们将将DSPY应用于真实的业务问题：对NPS批评者的评论进行分类。基于此示例，我们还将测试该框架最有前途的功能之一：自动指令优化。
dspy基础知识
我们将通过安装软件包开始探索DSPY框架。
PIP安装-U DSPY
如上所述，DSPY以结构化和模块化的方式定义了LLM应用程序。每个应用程序都是使用三个主要组件构建的：