@dbreunig: 这是 @DSPyOSS 的补丁版本，但内容丰富！CodeInterpreter 修复与功能、MCP 2.0 支持、GEPA 升级、更好的错误处理……

DSPy：面向基础模型的编程——而非提示 文档： DSPy 官方文档 (https://dspy.ai/) PyPI 下载 (https://pepy.tech/projects/dspy) –– DSPy 是一个用于编程——而非提示——语言模型的框架。它能帮助您快速迭代构建模块化AI系统，并提供用于优化提示词与模型权重的算法，无论您是在构建简单的分类器、复杂的RAG流程，还是Agent循环系统。DSPy 全称为 Declarative Self-improving Python（声明式自改进Python）。您无需编写脆弱的提示词，而是通过编写组合式的 Python代码，并利用DSPy 指导您的语言模型生成高质量输出。如需了解更多，请访问我们的官方文档站点 (https://dspy.ai/)，或通过此GitHub仓库及我们的Discord服务器 (https://discord.gg/XCGy2WDCQB) 加入社区、寻求帮助或开始贡献。 ## 文档：dspy.ai (https://dspy.ai) 请前往 dspy.ai (https://dspy.ai) 查阅DSPy文档 ## 安装 bash pip install dspy 安装 main 分支的最新版本： bash pip install git+https://github.com/stanfordnlp/dspy.git ## 📜 引用与深入阅读 如果您希望理解该框架，请访问 dspy.ai (https://dspy.ai) 的DSPy文档。如果您希望了解底层研究，以下是一组我们的论文： [2025年7月] GEPA：反思式提示进化可优于强化学习 (https://arxiv.org/abs/2507.19457) [2024年6月] 针对多阶段语言模型程序优化指令与示范 (https://arxiv.org/abs/2406.11695) [2023年10月] DSPy：将声明式语言模型调用编译为自我改进的流程 (https://arxiv.org/abs/2310.03714) [2024年7月] 微调与提示优化：相辅相成的两大关键步骤 (https://arxiv.org/abs/2407.10930) [2024年6月] 提示词作为自动优化的训练超参数 (https://arxiv.org/abs/2406.11706) [2024年2月] 使用大语言模型从零开始协助撰写维基百科式文章 (https://arxiv.org/abs/2402.14207) [2024年1月] 用于极端多标签分类的上下文学习 (https://arxiv.org/abs/2401.12178) [2023年12月] DSPy断言：用于自我改进语言模型流程的计算约束 (https://arxiv.org/abs/2312.13382) [2022年12月] 演示-检索-预测：组合检索与语言模型用于知识密集型NLP (https://arxiv.org/abs/2212.14024.pdf) 如需获取最新动态或更多信息，请在Twitter上关注 @DSPyOSS (https://twitter.com/DSPyOSS) 或访问LinkedIn上的DSPy主页。 DSPy 的Logo由 Chuyi Zhang 设计。如果您在研究论文中使用了DSPy或DSP，请按如下格式引用我们的工作： @inproceedings{khattab2024dspy, title={DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines}, author={Khattab, Omar and Singhvi, Arnav and Maheshwari, Paridhi and Zhang, Zhiyuan and Santhanam, Keshav and Vardhamanan, Sri and Haq, Saiful and Sharma, Ashutosh and Joshi, Thomas T. and Moazam, Hanna and Miller, Heather and Zaharia, Matei and Potts, Christopher}, journal={The Twelfth International Conference on Learning Representations}, year={2024} } @article{khattab2022demonstrate, title={Demonstrate-Search-Predict: Composing Retrieval and Language Models for Knowledge-Intensive {NLP}}, author={Khattab, Omar and Santhanam, Keshav and Li, Xiang Lisa and Hall, David and Liang, Percy and Potts, Christopher and Zaharia, Matei}, journal={arXiv preprint arXiv:2212.14024}, year={2022} }