/ 目錄 / 演練場 / dspy-skills
← 全部伺服器 ↗ GitHub
● 社群 OmidZamani ⚡ 即開即用

dspy-skills

作者 OmidZamani · OmidZamani/dspy-skills

Claude 的 DSPy 技能包——系統化地編程語言模型、優化提示詞、建構 RAG 流水線。

dspy-skills 教導 Claude DSPy 的核心思維模型：簽名、模組、預測器、電子提示器與評估迴圈。不需要手工撰寫提示詞，只需透過簽名描述任務，讓 DSPy 的優化器完成工作——Claude 會以慣用的 DSPy 方式撰寫程式碼，而非退回到原始提示詞模板。

▶ 觀看演示 📦 安裝 💡 使用場景

為什麼要用

核心特性

即時演示

實際使用效果

dspy-skill.replay ▶ 就緒
0/0

安裝

作者儲存庫 · Claude Skills 官方文件

使用場景

實戰用法： dspy-skills

如何建構你的第一個 DSPy 程式並優化它

👤 機器學習工程師與應用研究人員 ⏱ ~90 min advanced

何時使用： 你有一個提示詞品質至關重要的任務，並希望以系統化的方式加以改善。

步驟
  1. 定義簽名
    Task: classify support tickets into {billing, technical, account}. Give me a DSPy signature and a simple Predict module.✓ 已複製
    → 簽名與模組程式碼
  2. 撰寫評估集
    Add an evaluation set of 50 labeled examples and an accuracy metric.✓ 已複製
    → 含指標可呼叫物件的評估框架
  3. 優化
    Run BootstrapFewShot to compile the module against the eval set.✓ 已複製
    → 已編譯的預測器與提升後的分數

結果： 一個超越手工提示詞的 DSPy 優化預測器，並附有可重現的程式碼。

注意事項
  • 評估集太小——優化器過擬合 — 至少需要 100–200 個範例；保留一個真正的測試集
  • 指標無法衡量你真正在意的事 — 在選擇模型之前，先投入心力設計好指標
搭配使用： filesystem

使用 DSPy 建構 RAG 流水線

👤 建構檢索增強系統的工程師 ⏱ ~120 min advanced

何時使用： 你想要模組化、可優化的 RAG，而非手工串接的鏈式結構。

步驟
  1. 定義模組
    Create a DSPy RAG pipeline: RetrieveThenRead with ColBERTv2 or a local retriever.✓ 已複製
    → 具備獨立檢索與生成步驟的模組化流水線
  2. 端對端優化
    Write an eval on our QA set and run MIPRO to improve.✓ 已複製
    → 已編譯的流水線與分數差異

結果： 一個只需修改評估集即可改善的 RAG 流水線，無需重寫提示詞。

注意事項
  • 檢索器品質限制了端對端的整體品質 — 在優化生成步驟之前，先單獨評估檢索效果（recall@k）
搭配使用： local-rag

組合

與其他 MCP 搭配，撬動十倍槓桿

dspy-skill + local-rag

將本地檢索器接入 DSPy 的 RAG 模組

Swap the ColBERT retriever for a local-rag MCP as the retrieval source.✓ 已複製
dspy-skill + filesystem

在程式碼倉庫中組織 DSPy 程式、評估集與產出物

Lay out a DSPy project with programs/, evals/, and artifacts/ directories.✓ 已複製

工具

此 MCP 暴露的能力

工具輸入參數何時呼叫成本
signature-design task spec 任何 DSPy 程式的起始階段 0
module-authoring signatures + flow 完成簽名定義之後 0
teleprompter-optimization module + eval 評估集準備就緒之後 LLM tokens during optimization
evaluation-harness task data 開始優化之前 0

成本與限制

運行它的成本

API 配額
優化執行期間以 LLM token 消耗為主
每次呼叫 Token 數
可能很高——優化過程可能呼叫 LLM 數百次
費用
depends on provider
提示
電子提示器執行期間使用便宜的模型，僅在最終評估時才升級至更強的模型

安全

權限、密鑰、影響範圍

憑證儲存： LLM 提供商金鑰存放於環境變數中
資料出站： LLM provider endpoints

故障排查

常見錯誤與修復

Teleprompter seems to make things worse

檢查指標的正確性；使用保留的測試集；擴大範例資料池。

Optimization eats your budget

限制 max_bootstrapped_demos 的數量，並在搜尋期間使用較便宜的模型。

替代方案

dspy-skills 對比其他方案

替代方案何時用它替代權衡
prompt-architect-skill你想要手工打磨提示詞，而非採用 DSPy 的程式化方式手工撰寫 vs 自動優化

更多

資源

📖 閱讀 GitHub 上的官方 README

🐙 查看未解決的 issue

🔍 瀏覽全部 400+ MCP 伺服器和 Skills