DSPy：将声明式 LLM 调用编译为自提升流水线

机器学习社区正迅速探索用于提示语言模型（Language Models, LMs）的技术，以及将多个模型堆叠为流水线以解决复杂任务的方法。然而，现有的语言模型流水线通常依赖于硬编码的“提示模板”——即通过反复试验获得的冗长字符串，这种方式缺乏系统性与可扩展性。为推动语言模型流水线的系统化开发与优化，我们提出了 DSPy，一种编程模型，将语言模型流水线抽象为文本变换图（text transformation graphs），即通过声明式模块调用语言模型的命令式计算图。DSPy 模块是参数化的，能够通过生成并收集示例（demonstrations）来学习如何组合运用提示工程、微调、数据增强和推理等技术。我们设计了一个编译器，可对任意 DSPy 流水线进行优化，以最大化指定的性能指标。我们开展了两项案例研究，结果表明：简洁的 DSPy 程序能够有效表达并优化复杂的语言模型流水线，实现对数学应用题的推理、多跳信息检索、复杂问题回答以及智能体循环控制等功能。在短短几分钟的编译时间内，仅需几行 DSPy 代码，即可使 GPT-3.5 和 llama2-13b-chat 自行构建出性能更优的流水线，其表现显著优于标准的少样本提示（分别提升超过 25% 和 65%），也优于由专家手工设计的示范提示流水线（分别提升 5%–46% 和 16%–40%）。此外，将 DSPy 程序编译至开源且参数量相对较小的模型（如 7.7 亿参数的 T5 和 llama2-13b-chat）后，其性能仍可与依赖专有 GPT-3.5 的专家编写提示链的方法相媲美。DSPy 已开源，项目地址为：https://github.com/stanfordnlp/dspy