Introducción al framework DSPy
Por qué DSPy sustituye los prompts escritos manualmente por firmas declarativas.
Introducción al framework DSPy es una lección gratuita de AI Prompt Engineering en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Prompt Engineering, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Prompt Engineering incluye 4 lecciones en total.
La fragilidad de los prompts escritos manualmente
Los prompts elaborados manualmente son frágiles. Un solo cambio de palabra puede alterar drásticamente el comportamiento del modelo, y lo que funciona con GPT-4 suele fallar con Claude o Gemini.
Los ingenieros de prompts pasan horas ajustando la redacción, solo para descubrir que los cambios no se generalizan entre conjuntos de datos o versiones del modelo. Esta fragilidad es el problema central que DSPy resuelve.
Qué es DSPy
DSPy (Declarative Self-improving Python) es un framework de Stanford que trata la creación de prompts como un problema de compilación y no como un trabajo artesanal.
En lugar de escribir: "Think step by step and answer the following question...", declara qué desea (una firma) y permite que DSPy determine cómo crear el prompt para conseguirlo.
Instalación de DSPy
DSPy está disponible en PyPI. Instálelo y configure un backend de modelo de lenguaje para empezar.
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')Idea central: separar la lógica de los prompts
En la creación de prompts tradicional, la lógica del programa y el texto del prompt están entrelazados. Si desea cambiar la forma en que razona el modelo, debe reescribir la cadena del prompt.
DSPy separa estas responsabilidades: usted escribe la lógica de Python mediante módulos, y DSPy genera (y optimiza) automáticamente el texto real del prompt durante un paso de compilación.
Firmas: declarar la intención
Una firma en DSPy es una declaración tipada de entradas y salidas. Es el qué, no el cómo.
DSPy usa la firma para construir un prompt adecuado en tiempo de compilación; usted no necesita realizar ingeniería de prompts.
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__)Módulos: bloques de razonamiento componibles
DSPy proporciona módulos que implementan patrones de razonamiento comunes. Se utilizan como las capas de PyTorch: se componen para formar programas más grandes.
dspy.Predict— predicción directadspy.ChainOfThought— añade pasos de razonamientodspy.ReAct— razonamiento + uso de herramientas
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)Qué hace la compilación
La compilación es el proceso mediante el cual DSPy optimiza los prompts de su programa usando un conjunto de entrenamiento y una función métrica.
Antes de la compilación: DSPy utiliza un prompt predeterminado básico. Después de la compilación: DSPy ha encontrado ejemplos few-shot, mejores instrucciones o demostraciones de razonamiento paso a paso que maximizan su métrica. Los prompts optimizados se guardan y se reutilizan en tiempo de inferencia.
Un programa DSPy mínimo
Aquí tiene un programa DSPy mínimo completo: una firma, un módulo y una llamada. No se escribe ninguna cadena de prompt.
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 frente a la ingeniería de prompts tradicional
La diferencia filosófica clave:
- Tradicional: usted escribe el texto del prompt → el modelo lo ejecuta → usted ajusta el texto manualmente
- DSPy: usted escribe la lógica de Python → el optimizador encuentra el mejor texto del prompt → el modelo ejecuta el prompt optimizado
DSPy trata los prompts como detalles de implementación que debe gestionar un compilador, del mismo modo que un compilador transforma Python en bytecode.
Cuándo merece la pena usar DSPy
DSPy resulta especialmente útil cuando dispone de:
- Una métrica clara que optimizar (exactitud, F1, valoración del usuario)
- Un conjunto de entrenamiento de ejemplos (incluso 20-50 son suficientes)
- Un pipeline con múltiples pasos de razonamiento que interactúan
Para prompts sencillos y puntuales, la sobrecarga de DSPy no compensa. Para pipelines de LLM en producción con objetivos medibles, resulta transformador.
Panorama del ecosistema de DSPy
DSPy no es solo un wrapper de API: es todo un ecosistema:
- Signatures: declarar entradas y salidas
- Modules: estrategias de razonamiento
- Optimizers: BootstrapFewShot, MIPRO, COPRO
- Evaluate: arnés de evaluación integrado
- Assertions: restringir las salidas de forma declarativa
Explorará cada uno de estos elementos en las siguientes lecciones de este curso.
Comprobación de conocimientos: concepto central de DSPy
¿Cuál es la principal diferencia entre DSPy y escribir prompts manualmente?
Recapitulación: fundamentos del framework DSPy
DSPy aborda la fragilidad de los prompts escritos manualmente tratando la creación de prompts como un problema de compilación. Usted escribe firmas (declaraciones tipadas de entradas y salidas) y las compone con módulos como Predict y ChainOfThought. Después, un optimizador encuentra automáticamente el mejor texto del prompt usando sus datos de entrenamiento y su métrica. El resultado es un pipeline de prompts portable, comprobable y mejorable automáticamente, sin ingeniería de prompts manual.
Aprende AI Prompt Engineering con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 53
- Lecciones
- 199
Preguntas frecuentes
¿La lección «Introducción al framework DSPy» es gratis?
Sí — el texto completo de «Introducción al framework DSPy» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Prompt Engineering, actualiza a CoddyKit PRO. El curso de AI Prompt Engineering incluye 4 lecciones en total.
¿Qué aprenderé en «Introducción al framework DSPy»?
Por qué DSPy sustituye los prompts escritos manualmente por firmas declarativas. Practicas AI Prompt Engineering con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Prompt Engineering?
No se requiere experiencia previa. AI Prompt Engineering en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Introducción al framework DSPy»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Prompt Engineering?
Sí. Cada lección de AI Prompt Engineering incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Introducción al framework DSPy
- Definición de firmas y módulos
- Compilación y optimización de prompts
- Evaluación de pipelines de DSPy