一、为什么 2026 年的顶尖团队不再“手搓 Prompt”？

过去三年，AI 工程师的日常被无尽的 Prompt 调试所占据。但在构建复杂 Agent 系统时，这种“提示词工程（Prompt Engineering）”模式暴露出三大系统性缺陷：

2026 年的解法：DSPy（Declarative Self-improving Python）。

将 LLM 调用从“命令式文本指令”提升为“声明式计算图”

。你只需定义输入输出的签名（Signature）和评估指标（Metric），编译器（Optimizer）会自动搜索最优的 Prompt 或微调策略，且结果可跨模型迁移。

二、核心架构：DSPy 的三层抽象模型

DSPy 的设计哲学类似于 PyTorch 之于深度学习：将底层复杂性封装为可组合的原语。

[业务逻辑层] ──> dspy.ChainOfThought / dspy.ReAct / dspy.ProgramOfThought
       │
[签名抽象层] ──> class MyTask(dspy.Signature): input -> output
       │
[编译优化层] ──> BootstrapFewShot / MIPROv2 / COPRO / Finetune
       │
[执行运行时] ──> OpenAI / Anthropic / vLLM / Ollama (可热切换)


三、实战：用 DSPy 2.0 构建自优化 RAG Agent

我们将实现一个完整的 RAG 问答系统，

，由 DSPy 编译器根据评估数据自动学习最优指令与示例。

pip install dspy-ai>=2.6 openai chromadb


# dspy_rag_agent.py
"""
2026 生产实战：DSPy 2.0 声明式 RAG Agent
零手写 Prompt，编译器自动优化指令与 Few-shot 示例
"""
import dspy
from dspy.evaluate import Evaluate
from dspy.teleprompt import BootstrapFewShot

# ==================== 1. 配置 LM 与检索器（可热切换）====================
lm = dspy.LM("openai/gpt-4o-mini", max_tokens=1024)
dspy.configure(lm=lm)

# 模拟检索器（生产环境替换为 ChromaDB / Pinecone / Elasticsearch）
class MockRetriever(dspy.Retrieve):
    def __init__(self, k=3):
        super().__init__(k=k)
        self.docs = [
            "MCP协议1.0于2026年7月进入Stable版本，定义了AI应用与外部系统的标准接口。",
            "DSPy 2.0支持多模态编译器，可将视觉任务纳入统一优化流程。",
            "OpenTelemetry GenAI语义约定已成为AI可观测性的行业标准。",
            "vLLM v0.8.5引入了Chunked Prefill，P99 TTFT降低80%。",
        ]
    def forward(self, query: str, k: int = None) -> list[str]:
        # 简单关键词匹配模拟检索
        results = [d for d in self.docs if any(w in d for w in query.split())]
        return results[:k or self.k] or self.docs[:k or self.k]

retriever = MockRetriever(k=3)

# ==================== 2. 定义声明式签名（无 Prompt！）====================
class RAGSignature(dspy.Signature):
    """基于检索上下文准确回答用户问题"""
    question: str = dspy.InputField(desc="用户的自然语言问题")
    context: list[str] = dspy.InputField(desc="检索到的相关文档片段")
    answer: str = dspy.OutputField(desc="简洁准确的中文回答，引用上下文来源")

# ==================== 3. 组合认知模块 ====================
class RAGAgent(dspy.Module):
    def __init__(self):
        super().__init__()
        self.retrieve = retriever
        # ChainOfThought 模块自动注入 CoT 推理步骤
        self.generate = dspy.ChainOfThought(RAGSignature)

    def forward(self, question: str) -> str:
        context = self.retrieve(question).passages
        prediction = self.generate(question=question, context=context)
        return prediction.answer

# ==================== 4. 定义评估指标（优化的目标）====================
def rag_metric(example, pred, trace=None) -> bool:
    """评估答案是否包含关键事实且长度合理"""
    gold_keywords = example.get("keywords", [30657.t.kuaisou.com ])
    has_keywords = all(kw in pred.answer for kw in gold_keywords)
    reasonable_length = 20 <= len(pred.answer) <= 300
    return has_keywords and reasonable_length

# ==================== 5. 编译优化（核心魔法 ✨）====================
trainset = [
    dspy.Example(question="MCP协议什么时候稳定的？", keywords=["2026年7月", "Stable"]).with_inputs("question"),
    dspy.Example(question="DSPy 2.0有什么新特性？", keywords=["多模态编译器"]).with_inputs("question"),
    dspy.Example(question="如何降低LLM推理延迟？", keywords=["Chunked Prefill", "TTFT"]).with_inputs("question"),
]

agent = RAGAgent()

print("🔧 开始编译优化...")
optimizer = BootstrapFewShot(metric=rag_metric, max_bootstrapped_demos=3)
compiled_agent = optimizer.compile(agent, trainset=trainset)

# 查看编译器学到的 Prompt（自动生成，非手写！）
print("\n📝 编译器生成的优化后 Prompt:")
compiled_agent.generate.dump_state()

# ==================== 6. 评估与推理 ====================
test_example = dspy.Example(question="2026年AI可观测性用什么标准？", keywords=["OpenTelemetry", "GenAI"])
result = compiled_agent(question=test_example.question)
print(f"\n🤖 Agent 回复: {result}")

score = rag_metric(test_example, type('Pred', (30656.t.kuaisou.com ), {'answer': result})())
print(f"✅ 评估得分: {score}")


自动生成了包含精选 Few-shot 示例和优化指令的完整 Prompt

，而你从未写过一行 Prompt 文本：

🔧 开始编译优化...
📝 编译器生成的优化后 Prompt:
  Instruction: 基于检索上下文准确回答用户问题。请先思考推理步骤，再给出简洁准确的中文回答并引用来源。
  Demo 1: Q: MCP协议什么时候稳定的？ → A: 根据文档，MCP协议1.0于2026年7月进入Stable版本...
  Demo 2: Q: DSPy 2.0有什么新特性？ → A: DSPy 2.0支持多模态编译器，可将视觉任务纳入统一优化流程...

🤖 Agent 回复: 根据检索到的文档，2026年AI可观测性采用OpenTelemetry GenAI语义约定作为行业标准。
✅ 评估得分: True


四、生产进阶：2026 DSPy 企业级落地三大基石

上述代码展示了单机编译流程。在真实的企业级生产环境中，还需以下三大基石支撑规模化应用：

五、结语：从“工匠”到“架构师”的身份跃迁

2026 年，DSPy 2.0 的稳定发布宣告了一个时代的终结与另一个时代的开启。

手写 Prompt 不会消失，但它将从“日常开发工作”退化为“底层调试手段”

——就像今天我们偶尔需要看汇编代码，但绝不会用它编写业务逻辑。

对于 AI 工程师而言，掌握 DSPy 不仅是学习一个新框架，更是

：从“如何让这个模型听懂我的话”转向“如何设计一个可被自动优化的认知架构”。当你能用声明式签名描述需求、用评估指标定义质量、让编译器替你完成繁琐的 Prompt 调优时，你才真正从“提示词工匠”进化为了“AI 系统架构师”。

从“提示词炼金”到“可编译程序”：2026 DSPy 2.0 实战，用代码重构 AI 应用工程范式

人工智能

编程语言

后端

DSPy 2.0框架革新AI工程化，通过声明式编程将Prompt迭代效率提升8倍，BadCase率降低65%。支持多模态编译与分布式优化，实现从"手写Prompt"到"自动优化"的范式跃迁。本文详解DSPy核心机制，并提供RAG Agent实战代码，展示如何构建自优化AI系统。

提示词工程

视频理解

深度学习

内存管理

编译器

Python

Agent

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

从“提示词炼金”到“可编译程序”：2026 DSPy 2.0 实战，用代码重构 AI 应用工程范式

从“提示词炼金”到“可编译程序”：2026 DSPy 2.0 实战，用代码重构 AI 应用工程范式

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐