Einführung in das DSPy Framework
Warum DSPy handgeschriebene Prompts durch deklarative Signaturen ersetzt.
Einführung in das DSPy Framework ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Prompt Engineering-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Prompt Engineering-Kurs umfasst insgesamt 4 Lektionen.
Die Anfälligkeit handgeschriebener Prompts
Von Hand erstellte Prompts sind anfällig. Eine einzige Wortänderung kann das Modellverhalten drastisch verändern, und was bei GPT-4 funktioniert, scheitert häufig bei Claude oder Gemini.
Prompt-Engineers verbringen Stunden damit, Formulierungen anzupassen, und stellen dann fest, dass sich die Änderungen nicht auf verschiedene Datensätze oder Modellversionen übertragen lassen. Diese Anfälligkeit ist das zentrale Problem, das DSPy löst.
Was DSPy ist
DSPy (Declarative Self-improving Python) ist ein Framework der Stanford University, das Prompting als Kompilierungsproblem statt als handwerkliche Aufgabe betrachtet.
Statt "Think step by step and answer the following question..." zu schreiben, deklarieren Sie was Sie erreichen möchten (eine Signatur), und DSPy ermittelt, wie das Modell dafür angepromptet werden muss.
DSPy installieren
DSPy ist auf PyPI verfügbar. Installieren Sie es und konfigurieren Sie ein Sprachmodell-Backend, um zu beginnen.
pip install dspy-ai
# Basic setup in Python
import dspy
# Configure the language model
lm = dspy.LM('openai/gpt-4o-mini', api_key='sk-...')
dspy.configure(lm=lm)
print('DSPy configured successfully')Kernidee: Logik und Prompting trennen
Beim herkömmlichen Prompting sind Programmlogik und Prompttext eng miteinander verflochten. Wenn Sie ändern möchten, wie das Modell schlussfolgert, müssen Sie die Prompt-Zeichenkette neu schreiben.
DSPy trennt diese Aspekte: Sie schreiben Python-Logik mit Modulen, und DSPy erzeugt (und optimiert) den eigentlichen Prompttext während eines Kompilierungsschritts automatisch.
Signaturen: Absichten deklarieren
Eine Signatur in DSPy ist eine typisierte Deklaration von Eingaben und Ausgaben. Sie beschreibt das Was, nicht das Wie.
DSPy verwendet die Signatur, um zur Kompilierungszeit einen passenden Prompt zu erstellen — Sie müssen kein Prompt Engineering betreiben.
import dspy
# Declare: given a question, produce an answer
class SimpleQA(dspy.Signature):
"""Answer questions with short factual responses."""
question: str = dspy.InputField()
answer: str = dspy.OutputField(desc='A concise factual answer')
# DSPy turns this declaration into a real prompt automatically
print(SimpleQA.__doc__)Module: Kombinierbare Reasoning-Bausteine
DSPy stellt Module bereit, die gängige Reasoning-Muster implementieren. Sie verwenden sie wie PyTorch-Layer und kombinieren sie zu größeren Programmen.
dspy.Predict— direkte Vorhersagedspy.ChainOfThought— fügt Reasoning-Schritte hinzudspy.ReAct— Reasoning + Tool-Nutzung
import dspy
class SimpleQA(dspy.Signature):
"""Answer questions with short factual responses."""
question: str = dspy.InputField()
answer: str = dspy.OutputField()
# Three different module strategies for the same signature
predict_module = dspy.Predict(SimpleQA)
cot_module = dspy.ChainOfThought(SimpleQA)
# Call just like a function
result = predict_module(question='What is the capital of France?')
print(result.answer)Was die Kompilierung bewirkt
Kompilierung bezeichnet den Prozess, bei dem DSPy die Prompts Ihres Programms mithilfe eines Trainingsdatensatzes und einer Metrikfunktion optimiert.
Vor der Kompilierung verwendet DSPy einen einfachen Standard-Prompt. Nach der Kompilierung hat DSPy Few-Shot-Beispiele, bessere Anweisungen oder Chain-of-Thought-Demonstrationen gefunden, die Ihre Metrik maximieren. Die optimierten Prompts werden gespeichert und zur Inferenzzeit wiederverwendet.
Ein minimales DSPy-Programm
Hier ist ein vollständiges minimales DSPy-Programm: eine Signatur, ein Modul und ein Aufruf. An keiner Stelle wird eine Prompt-Zeichenkette geschrieben.
import dspy
# 1. Configure LM
lm = dspy.LM('openai/gpt-4o-mini', api_key='sk-...')
dspy.configure(lm=lm)
# 2. Define signature
class Summarize(dspy.Signature):
"""Summarize text into one sentence."""
text: str = dspy.InputField()
summary: str = dspy.OutputField()
# 3. Create module
summarizer = dspy.Predict(Summarize)
# 4. Use it
result = summarizer(text='DSPy is a framework for programming language models.')
print(result.summary)DSPy vs. traditionelles Prompt Engineering
Der wesentliche philosophische Unterschied:
- Traditionell: Sie schreiben Prompttext → das Modell führt ihn aus → Sie passen den Text manuell an
- DSPy: Sie schreiben Python-Logik → der Optimierer findet den besten Prompttext → das Modell führt den optimierten Prompt aus
DSPy betrachtet Prompts als Implementierungsdetails, die ein Compiler verwalten sollte — genauso wie ein Compiler Python in Bytecode umwandelt.
Wann sich DSPy lohnt
DSPy spielt seine Stärken aus, wenn Sie Folgendes haben:
- Eine klare zu optimierende Metrik (Genauigkeit, F1, Nutzerbewertung)
- Einen Trainingsdatensatz mit Beispielen (bereits 20–50 genügen)
- Eine Pipeline mit mehreren interagierenden Reasoning-Schritten
Für einzelne einfache Prompts lohnt sich der zusätzliche Aufwand von DSPy nicht. Für produktive LLM-Pipelines mit messbaren Zielen kann DSPy einen grundlegenden Unterschied machen.
Überblick über das DSPy-Ökosystem
DSPy ist nicht nur ein API-Wrapper, sondern ein vollständiges Ökosystem:
- Signaturen: Ein- und Ausgaben deklarieren
- Module: Reasoning-Strategien
- Optimierer: BootstrapFewShot, MIPRO, COPRO
- Evaluate: Integrierte Evaluierungsumgebung
- Assertions: Ausgaben deklarativ einschränken
In den folgenden Lektionen dieses Kurses lernen Sie alle diese Komponenten kennen.
Wissenscheck: DSPy-Kernkonzept
Was ist der wichtigste Unterschied zwischen DSPy und dem manuellen Schreiben von Prompts?
Zusammenfassung: Grundlagen des DSPy-Frameworks
DSPy begegnet der Anfälligkeit handgeschriebener Prompts, indem es Prompting als Kompilierungsproblem betrachtet. Sie schreiben Signaturen (typisierte Ein-/Ausgabedeklarationen) und kombinieren sie mit Modulen wie Predict und ChainOfThought. Anschließend ermittelt ein Optimierer mithilfe Ihrer Trainingsdaten und Metrik automatisch den besten Prompttext. Das Ergebnis ist eine portable, testbare und automatisch verbesserbare Prompt-Pipeline — ganz ohne manuelles Prompt Engineering.
Häufig gestellte Fragen
Ist die Lektion „Einführung in das DSPy Framework“ kostenlos?
Ja — der vollständige Text von „Einführung in das DSPy Framework“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Prompt Engineering-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Prompt Engineering-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Einführung in das DSPy Framework“?
Warum DSPy handgeschriebene Prompts durch deklarative Signaturen ersetzt. Du übst AI Prompt Engineering mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Prompt Engineering zu starten?
Keine Vorkenntnisse erforderlich. AI Prompt Engineering auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Einführung in das DSPy Framework“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Prompt Engineering-Lektion Code schreiben und ausführen?
Ja. Jede AI Prompt Engineering-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Einführung in das DSPy Framework
- Signaturen und Module definieren
- Prompts kompilieren und optimieren
- DSPy-Pipelines evaluieren