dspy

DSPy 3.4.0 已发布，提供对 Jev 和 System One 模型的原生支持，并新增优化器 ReAnchor，用于校准输出置信度。

DSPy 3.4.0 发布了，原生支持 Jev 和 System one 模型，并引入新的优化器 ReAnchor，用于校准输出置信度。

这篇文章描述了如何使用DSPy代码从原始文本生成基于选择的JEV决策训练数据，重点强调了使用像gpt-6-luna和deepseek-v4.1-flash这样的廉价模型的成本效益。

ClusterFewshot是一种新颖的方法，通过集成语义聚类和效用评分来改进大语言模型工作流中的少样本示范选择，从而降低优化成本并提高基于DSPy的管道的准确性。

推文强调在机器学习中，仔细定义问题比执着于方法更重要，呼应了DSPy的理念，并引用了Sutton的苦涩教训。

本集播客讨论了AI token经济学和新兴问题‘tokenflation’，重点讨论如何衡量AI token的价值、基准测试的局限性以及AI效率的未来创新。

DSPy 的一个补丁版本包括 CodeInterpreter 修复、MCP 2.0 支持、GEPA 升级，以及对错误和回调的改进。

介绍 Flex，这是一个新的 DSPy 模块，让语言模型重写程序代码本身，而不仅仅是提示词，从而实现更好的优化、更少的模型调用以及通过沙箱实现更安全的执行。

Flex 是 DSPy 的一个新功能，优化器可以用确定性代码替换 LLM 调用，有时在大幅减少所需 LLM 调用次数的同时提高准确性。

DSPy 3.3.0 已发布，其特色是用于 GEPA 优化代码和提示词的 dspy.Flex，以及原生支持并行工具调用的 dspy.ReActV2，同时对首席维护者 Isaac Miller 表示赞赏。

作者使用DSPy框架评估和改进了Datasette Agent的SQL查询功能的系统提示，发现了诸如列名猜测和错误重试循环等问题。

Maxime Rivest宣布将在AI Engineer大会上为DSPy进行主舞台主题演讲，旨在提升工具的易用性并邀请反馈。

一条推文推荐观看Angie Jones关于构建AI代理的主题演讲，强调了核心工程原则，并提到了Python框架如DSPy、Functai和Mirascope。

一份实用指南，解释了构建自我改进AI智能体的三个层级，从手动循环到自动化设计，并推荐了工具和框架。

讨论一篇关于AI对软件工程影响的文章中的一张图，该图强调了不可降低的复杂性，并预测了软件工程的演变，其中DSPy被引为早期例子。

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。