几个月前，我清楚地记得，Prompt Engineering 还是热门话题。就业市场上充斥着提示工程师的岗位，仿佛这是未来的必备技能。

然而，现在情况已经大不相同了。提示工程并不是一门艺术或科学，更像是“聪明的汉斯”现象——人类为系统提供了必要的背景，以便系统能更好地作出回应。甚至还有人撰写了书籍或博客，如《前50个提示：充分利用 GPT》等等。

但事实证明，没有一种提示或策略能够解决所有类型的问题。某些提示在特定情况下表现出色，但在更广泛的分析中却表现平平。

今天我们要讨论的是一种全新的方法：DSPY，它代表将声明性语言模型调用编译成自我改进的管道。这是斯坦福大学开发的一个框架，旨在通过编译器优化将 LLMs 视为模块，就像在 PyTorch 中处理抽象一样。这一框架开创了将语言模型转化为自我改进管道的新路径，超越了单一提示的局限性。

什么是提示工程

所谓提示词，说白了就是我们给大模型下发的指令，提示词写对了，大模型才能输出相应的结果，提示词写的越好，大模型输出的结果就越准确。提示词由下面的一个或多个要素组成：

<