▼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，可以提示词和微调语言模型，改进其推理和检索增强。

使用 DSPy 构建基于语言模型的应用程序的工作流程如下所示：

DSPy 框架预示着构建检索增强生成（RAG）系统的根本性变革，赋予开发者无与伦比的灵活性与掌控力，标示着该领域的一场革命。本篇文章深入剖析DSPy 的本质、运作机制，以及它为何能重塑 RAG 领域的未来格局。

—2—

RAG 系统现状

在揭示 DSPy 如何引领 RAG 变革之前，让我们简要介绍下检索增强生成系统（RAG）的架构和流程。

RAG 体系将大语言模型与外部知识源融为一体，其操作步骤如下：

接收查询请求；
在知识库中检索相关知识；
整合查询请求和检索的相关知识，组合成新的 Prompt；
利用强大的大语言模型，生成最终回答。

—3—

DSPy 如何改变游戏规则？

DSPy 为构建 RAG 系统引入了一种新的架构范式，其几个关键优势如下：

声明式编程：DSPy 允许开发者描述其希望系统做什么，而不是如何去做。这种高级方法使得设计和修改复杂的 RAG 流水线变得更加容易。
模块化架构：使用 DSPy，可以轻松更换 RAG 系统的不同组件，比如：检索器、排序器或大语言模型，而无需重写大量代码。
自动优化：DSPy 包含用于自动优化 RAG 流水线的工具，从而减少了手动调优并提高了整体性能。
无缝集成：DSPy 可以与流行的大语言模型进行无缝协作，并可轻松集成到现有的 AI 工作流中。

下图为由 DSPy 驱动的 RAG 系统：

如上图所示，DSPy 控制器扮演着 RAG 系统“神经中枢”的角色，负责在各个模块间进行智能调度与协调作业，同时确保整个 RAG 流水线的运行达到最优状态。

总之 DSPy 为 RAG 系统带来的四大优势包括：

增强灵活性：DSPy 赋予系统高度的适应性，允许用户无缝测试多样化的检索及排序算法，乃至混搭多种策略，无须彻底重构底层代码，大大提升了开发的灵活性。
性能优化：利用 DSPy 内置的自动化调优机制，RAG 系统的整体性能可得到有效提升，往往超越传统手工调优的成果，确保运行效率居于顶尖水平。
简化调试与加速迭代：得益于 DSPy 清晰的声明式设计，开发者能迅速洞察 RAG 工作流程中的每一环节，从而显著缩短调试周期，加快产品迭代的步伐。
强大的可扩展性：面对 RAG 系统日益增长的复杂性，DSPy 凭借其模块化的体系架构，能够高效组织和管理这种复杂度，确保系统在扩展过程中依然稳健有序。

—4—

一个 DSPy Demo

一个简单的 Demo 如下所示，帮助了解如何使用 DSPy 定义一个基础的 RAG系统：

import dspy                   class RAG(dspy.Module):              def __init__(self):                  self.retriever = dspy.Retrieve(k=3)                  self.generator = dspy.ChainOfThought("You are a helpful AI assistant.")                       def forward(self, query):                  context = self.retriever(query)                  response = self.generator(context=context, query=query)                  return response                   rag = RAG()          response = rag("What is the capital of France?")          print(response)