DSPy — Agents-OSS

概要

各ステップが何をすべきかを宣言し、評価指標を与えると、オプティマイザがそれを最大化するプロンプトと少数事例を探索します。パイプラインの改善が、経験則ではなく計測可能な作業になるのが利点です。評価用データセットが前提であり、それがなければ最適化の対象自体が存在しません。

DSPyで何ができますか？

モジュールとして組み立てる — pip install dspyで導入し、分類器・RAGパイプライン・エージェントループをPythonのモジュール合成として記述します。プロンプト文字列は手書きせずフレームワークが生成します。
プロンプトだけでなく重みも — プロンプトに加えてモデル重みを調整するアルゴリズムも備えており、両者を併用する方法は2024年7月の論文で扱われています。
手法の裏付けを確認できる — READMEには基となる論文が並んでいます。出力を振り返りながらプロンプトを進化させ、強化学習を上回りうると論じるGEPA（2025年7月）、多段プログラムの指示文と少数事例を最適化する2024年6月の論文、宣言的なLM呼び出しを自己改善パイプラインへコンパイルする2023年10月の論文を、採用を決める前に読めます。

ドキュメント

stanfordnlp/dspy のREADMEより転載（MIT）。原文を読む ↗

DSPy: Programming—not prompting—Foundation Models

Documentation: DSPy Docs

DSPy is the framework for programming—rather than prompting—language models. It allows you to iterate fast on building modular AI systems and offers algorithms for optimizing their prompts and weights, whether you’re building simple classifiers, sophisticated RAG pipelines, or Agent loops.

DSPy stands for Declarative Self-improving Python. Instead of brittle prompts, you write compositional Python code and use DSPy to teach your LM to deliver high-quality outputs. Learn more via our official documentation site or meet the community, seek help, or start contributing via this GitHub repo and our Discord server.

Documentation: dspy.ai

Please go to the DSPy Docs at dspy.ai

Installation

pip install dspy

To install the very latest from main:

pip install git+https://github.com/stanfordnlp/dspy.git

📜 Citation & Reading More

If you’re looking to understand the framework, please go to the DSPy Docs at dspy.ai.

If you’re looking to understand the underlying research, this is a set of our papers:

[Jul’25] GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning
[Jun’24] Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs
[Oct’23] DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines
[Jul’24] Fine-Tuning and Prompt Optimization: Two Great Steps that Work Better Together
[Jun’24] Prompts as Auto-Optimized Training Hyperparameters
[Feb’24] Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models
[Jan’24] In-Context Learning for Extreme Multi-Label Classification
[Dec’23] DSPy Assertions: Computational Constraints for Self-Refining Language Model Pipelines
[Dec’22] Demonstrate-Search-Predict: Composing Retrieval & Language Models for Knowledge-Intensive NLP

To stay up to date or learn more, follow @DSPyOSS on Twitter or the DSPy page on LinkedIn.

The DSPy logo is designed by Chuyi Zhang.

If you use DSPy or DSP in a research paper, please cite our work as follows:

@inproceedings{khattab2024dspy,
  title={DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines},
  author={Khattab, Omar and Singhvi, Arnav and Maheshwari, Paridhi and Zhang, Zhiyuan and Santhanam, Keshav and Vardhamanan, Sri and Haq, Saiful and Sharma, Ashutosh and Joshi, Thomas T. and Moazam, Hanna and Miller, Heather and Zaharia, Matei and Potts, Christopher},
  journal={The Twelfth International Conference on Learning Representations},
  year={2024}
}
@article{khattab2022demonstrate,
  title={Demonstrate-Search-Predict: Composing Retrieval and Language Models for Knowledge-Intensive {NLP}},
  author={Khattab, Omar and Santhanam, Keshav and Li, Xiang Lisa and Hall, David and Liang, Percy and Potts, Christopher and Zaharia, Matei},
  journal={arXiv preprint arXiv:2212.14024},
  year={2022}
}