Prompt Engineering Dspy 模块

# DSPy 模块 DSPy 内置模块的完整指南，用于语言模型编程。 ## 模块基础 DSPy 模块是受 PyTorch 神经网络模块启发的组合构建块： - 具有可学习的参数（提示词、少样本示例） - 可以使用 Python 控制流进行组合 - 通用化以处理任何签名 - 可使用 DSPy 优化器进行优化 ### 基础模块模式 python import dspy class CustomModule(dspy.Module): def __init__(self): super().__init__() # 初始化子模块 self.predictor = dspy.Predict("input -> output") def forward(self, input): # 模块逻辑 result = self.predictor(input=input) return result ## 核心模块 ### dspy.Predict **基础预测模块** - 在没有推理步骤的情况下进行语言模型调用。 python # 内联签名 qa = dspy.Predict("question -> answer") result = qa(question="What is 2+2?") # 类签名 class QA(dspy.Signature): """简洁地回答问题。""" question = dspy.InputField() answer = dspy.OutputField(desc="简短、事实性的回答") qa = dspy.Predict(QA) result = qa(question="What is the capital of France?") print(result.answer) # "Paris" **使用场景：** - 简单、直接的预测 - 不需要推理步骤 - 需要快速响应 ### dspy.ChainOfThought **逐步推理** - 在回答之前生成推理过程。 **参数：** - `signature`: 任务签名 - `rationale_field`: 自定义推理字段（可选） - `rationale_field_type`: 推理字段类型（默认：`str`） python # 基本用法 cot = dspy.ChainOfThought("question -> answer") result = cot(question="If I have 5 apples and give away 2, how many remain?") print(result.rationale) # "Let's think step by step..." print(result.answer) # "3" # 自定义推理字段 cot = dspy.ChainOfThought( signature="problem -> solution", rationale_field=dspy.OutputField( prefix="Reasoning: Let's break this down step by step to" ) ) **使用场景：** - 复杂的推理任务 - 数学应用题 - 逻辑推演 - 质量优先于速度 **性能：** - 比 Predict 慢约 2 倍 - 在推理任务上准确率显著提高 ### dspy.ProgramOfThought **基于代码的推理** - 生成并执行 Python 代码。 python pot = dspy.ProgramOfThought("question -> answer") result = pot(question="What is 15% of 240?") # 内部生成：answer = 240 * 0.15 # 执行代码并返回结果 print(result.