dspy

本文解释了DSPy中的GEPA（基因-帕累托优化）如何用于高效的提示调优，特别是在微软AI的预训练数据筛选中应用，使研究人员能够用自动化的计算驱动优化取代手动提示工程。

来自 dspy 的 GEPA 优化的 LLM 判断器用于微软 MAI-Thinking-1 模型预训练流程中的数据过滤。

作者将结构方程模型、神经常微分方程和类似DSPy的AI程序进行比较，认为它们都是用于定义和优化计算图的声明性框架，并论证了结构化流程对于可信AI代理至关重要。

Ax 是一个开源 TypeScript 库，实现了 DSPy 风格的类型化签名和代理框架，用于以最少的提示词构建可靠的 AI 应用。它支持多个 LLM 提供商，并包含代理、流程、RAG 和自优化管道等功能。

DSPy 有了新的首页和文档以简化上手流程，并即将发布重大的 DSPy 4.0 版本，包含激进的新想法。

已将 PEEK 方法移植到 DSPy，使任何 DSPy 代理都能受益于如论文所示的改进性能和成本降低。

PEEK 功能即将登陆 ax-agent，这是一个用于自动生成提示词和构建 AI 智能体的 TypeScript 库，支持多种提供商。

Manning Books 宣布推出一本新的抢先版书籍《Building LLM Applications with DSPy》，教授如何使用DSPy框架通过Python优化LLM提示。该书在6月3日前享受50%折扣。

kg-gen 是一个开源 Python 包，通过语言模型（借助 LiteLLM 和 DSPy）从纯文本或对话消息中提取知识图谱，具备分块、聚类和灵活的路由提供商功能。

MaximeRivest解释了DSPy的五个核心组件——Optimizers、Signatures、LMs、Modules和Adapters——并认为有效的AI工程需要掌握这些要素，同时强调了结构化输出渲染这一常常被忽视的作用。

ROMA 是一个基于 DSPy 构建的递归式多 Agent 框架，旨在通过层次化递归结构解决复杂推理任务，支持任务拆解、并行处理及多种 LLM 提供商。

Maxime Rivest 指出，面向图像的复合 AI 系统目前被严重低估，他建议借助 DSPy 和 GEPA 等优化框架，实现涉及 SAM 与分类器的流水线自动化构建。

教程演示如何借助 Claude 和 Codex 快速搭建 DSPy + GEPA + RLM，提供复制即用的代码。

DSPy 3.2.0 优化了 dspy.RLM 的解析、工具执行与故障恢复，并持续推进与 LiteLLM 的解耦。

一条社交媒体动态，推荐一篇把 RLM 和 DSPy 应用于多模态数据的文章。

一篇回顾 DSPy 框架架构的帖子，该框架围绕签名、模块和优化器构建，并指出它自 2022 年以来仍在持续增长。