dspy

DSPy (Declarative Self-improving Python) est un framework issu du Stanford NLP pour programmer—plutôt que solliciter par prompts—les modèles de fondation. Au lieu de concevoir manuellement des prompts fragiles, les développeurs écrivent du code Python compositionnel et laissent DSPy optimiser les prompts et les poids de leurs programmes de modèles de langage. Le projet vise le développement de systèmes IA modulaires, avec la prise en charge de classifieurs simples, de pipelines sophistiqués de génération augmentée par récupération (RAG) et de boucles d'agents. Son idée centrale est la programmation déclarative : vous décrivez le comportement souhaité et le flux de données, et DSPy compile et ajuste les interactions sous-jacentes du modèle pour produire des résultats de haute qualité. L'installation se fait via pip (`pip install dspy`), ou directement depuis la branche principale sur GitHub. La documentation est hébergée sur dspy.ai, et le projet maintient une communauté Discord pour l'aide et les contributions. Le README liste également une série d'articles de recherche sous-tendant le framework, notamment des travaux sur GEPA (évolution réflexive de prompts), l'optimisation d'instructions et de démonstrations pour les programmes LM multi-étapes, la compilation d'appels LM déclaratifs en pipelines auto-améliorants, le fine-tuning combiné à l'optimisation de prompts, les hyperparamètres d'entraînement auto-optimisés, la rédaction d'articles de type Wikipédia, la classification multi-étiquettes extrême, les assertions DSPy, et Demonstrate-Search-Predict. Des informations de citation sont fournies pour un usage académique.