DSPy
Framework „program, don't prompt" — úloha se definuje jako typovaná signatura a optimizery samy ladí prompty proti metrice.
Účel
Python framework ze Stanford NLP s heslem „program, don't prompt". Místo ručního ladění promptů se úloha definuje jako typovaná signatura (vstupy a výstupy jako pole) a modul určuje strategii vykonání — Predict, ChainOfThought, ReAct s nástroji — bez přepisování zadání. Klíčová část jsou optimizery: dostanou příklady a metriku a samy ladí prompty a few-shot ukázky, dokud kvalita nekonverguje.
Odlišnost
Proti ručnímu prompt engineeringu nabízí měřitelnou optimalizaci proti metrice. Aktuální optimizer GEPA (reflective prompt evolution) byl představen na ICLR 2026 jako gradient-free přístup, který místo policy gradientů používá reflexi v přirozeném jazyce. Proti klasickému RL fine-tuningu je řádově levnější, protože nepotřebuje trénovat váhy.
Nasazení
Python knihovna (MIT), bez placené varianty. Podporuje multimodalitu, MCP, async i streaming. Napojení na běžné LLM providery; v Databricks je integrovaná včetně sledování optimalizačních běhů přes MLflow.
V kostce
- Zralost
- 4/5
- Jak zavedený je projekt: body za aktivní vývoj, víc přispěvatelů, placenou verzi a víc než rok na trhu.
- Nasazení
- Knihovna
- Licence
- MIT
- Cena
- OSS zdarma (MIT), bez placené varianty
Zdroje
- Web dspy.ai
- Repozitář github.com/stanfordnlp/dspy
- Výrobce dspy.ai/community/use-cases
- Nezávislý zdroj gepa-ai.github.io/gepa
- Nezávislý zdroj medium.com/@AI-on-Databricks/productionalize-a-gepa-optimized-model-on-databricks-e533585da2e0
- Nezávislý zdroj decagon.ai/blog/optimizing-gepa-for-production