DSPy Review 2026: Funktionen, Optimizer, Alternativen

Von Stanford-Forschung zum Produktions-Framework

Was ist DSPy?

• Signature: eine typisierte Definition der Ein- und Ausgaben einer Aufgabe, geschrieben als kurze Klasse oder String (zum Beispiel "question -> answer"), portabel über verschiedene zugrunde liegende LLMs und Prompt-Strategien hinweg
• Module: eine Komponente, die eine Ausführungsstrategie um eine Signature herum implementiert — Predict für direkte Vervollständigung, ChainOfThought für schrittweises Schlussfolgern, ReAct für werkzeugnutzende Schlussfolgerungsschleifen und weitere
• Optimizer (früher Teleprompter genannt): ein Algorithmus, der die Prompts und Few-Shot-Beispiele innerhalb eines DSPy-Programms automatisch anhand einer Metrik abstimmt, statt von Hand — benannte Optimizer sind unter anderem BootstrapFewShot, MIPROv2 und GEPA
• Ein Programm kompilieren: Das Ausführen eines Optimizers über einen Trainingsdatensatz und eine Bewertungsfunktion erzeugt ein kompiliertes Programm mit fest eingebauten, abgestimmten Instruktionen und Beispielen, das anschließend wie jedes andere DSPy-Programm läuft
• Modellagnostisch: DSPy verbindet sich mit dem konfigurierten LLM-Anbieter, statt ein eingebautes Modell mitzubringen, und derselbe Signature-/Module-Code kann für ein anderes zugrunde liegendes Modell neu optimiert werden
• Kein Multi-Agent-Orchestrator: DSPy kennt kein eingebautes Konzept mehrerer kommunizierender Agenten wie CrewAI oder AutoGen — ein DSPy-Programm ist typischerweise eine einzelne Pipeline aus Modules, auch wenn ReAct-Module Tools in einer Schlussfolgerungsschleife aufrufen können

pip install dspy

# Minimalbeispiel: Signature + Module + Optimizer
import dspy

class AnswerQuestion(dspy.Signature):
    """Answer a question factually."""
    question: str = dspy.InputField()
    answer: str = dspy.OutputField()

qa = dspy.ChainOfThought(AnswerQuestion)
result = qa(question="What is the capital of France?")
print(result.answer)

Was kostet DSPy?

• DSPy (das Open-Source-Framework): für immer kostenlos unter der MIT-Lizenz, selbst gehostet, keine Nutzungsobergrenzen, kein Konto zum Ausführen erforderlich
• Kein gehostetes Produkt oder Abonnement: DSPy ist eine Bibliothek, die man importiert und selbst ausführt, kein gemanagter Dienst — es gibt nichts zu abonnieren
• Optionale Kosten: API-Gebühren des konfigurierten LLM-Anbieters (zum Beispiel Pro-Token-Preise eines Cloud-Anbieters), wenn ein Cloud-Modell statt eines lokalen verwendet wird
• Kostenaspekt bei Optimizern: Das Ausführen eines Optimizers wie MIPROv2 verursacht mehrere LLM-Aufrufe bei der Suche nach der besten Prompt-Konfiguration — das Kompilieren eines Programms hat also eigene API-Kosten zusätzlich zum späteren Ausführen des kompilierten Programms

Wie installiert und startet man DSPy?

1. 1
   Paket installieren: pip install dspy.
2. 2
   Einen LLM-Anbieter konfigurieren — zum Beispiel dspy.configure(lm=dspy.LM('openai/gpt-4o-mini', api_key='your-key')) für ein gehostetes Modell, oder auf einen lokal bereitgestellten OpenAI-kompatiblen Endpunkt verweisen.
3. 3
   Eine Signature definieren, die Ein- und Ausgaben der Aufgabe beschreibt, entweder als kurzer String ("question -> answer") oder als typisierte Klasse mit dspy.InputField() / dspy.OutputField().
4. 4
   Die Signature in ein Module kapseln — dspy.Predict(...) für einen direkten Aufruf oder dspy.ChainOfThought(...) für schrittweises Schlussfolgern — und wie eine Funktion aufrufen.
5. 5
   Optional: einen kleinen Trainingsdatensatz und eine Bewertungsfunktion zusammenstellen und dann einen Optimizer wie dspy.BootstrapFewShot oder dspy.MIPROv2 ausführen, um eine abgestimmte Version des Programms zu kompilieren.
6. 6
   Das vollständige Tutorial-Angebot, einschließlich RAG-Pipelines, Agentenschleifen mit ReAct und Optimizer-Konfiguration, steht in der DSPy-Dokumentation.

Wer sollte DSPy nutzen?

Wann sollten Sie DSPy NICHT nutzen?

• Ein Team, das einen visuellen No-Code-Workflow-Builder braucht — DSPy ist code-first, ohne Drag-and-drop-Oberfläche
• Ein Projekt, das im Kern Multi-Agent-Koordination ist (Agenten delegieren Teilaufgaben aneinander) — ein dafür gebautes Framework wie CrewAI oder AutoGen passt strukturell besser
• Ein einmaliges Skript, bei dem ein einzelner, von Hand geschriebener Prompt bereits ausreichend gut funktioniert — das Einführen von Signatures, Modules und einer Optimierungsschleife bringt Engineering-Aufwand, der sich nur lohnt, wenn messbare, wiederholbare Prompt-Verbesserung nötig ist
• Eine Aufgabe ohne Möglichkeit, Korrektheit zu bewerten — DSPys Optimizer benötigen eine Metrikfunktion; rein subjektive Aufgaben ohne gelabelte Beispiele profitieren kaum vom Optimierungsschritt
• Nutzen Sie DSPy stattdessen genau dann, wenn Sie eine Pipeline, eine Metrik und einen Trainingsdatensatz haben und den Prompt-Engineering-Schritt automatisiert und reproduzierbar machen wollen

DSPy vs. Alternativen

Häufige Fehler bei der Bewertung von DSPy

Häufig gestellte Fragen

Quellen

Weiterführende Artikel

• LangChain Review: Funktionen, Preise, Alternativen — das allgemeine Python-LLM-Pipeline-Framework mit dem breitesten Integrations-Ökosystem, für Teams, die fertige Connectoren statt Prompt-Optimierung brauchen.
• LlamaIndex Review: RAG-Framework — ein RAG-fokussiertes Daten-Framework für Retrieval-Augmented-Pipelines, ein weiteres Python-Framework in derselben Baustein-Kategorie wie DSPy.
• Semantic Kernel Review: Funktionen, Preise, Alternativen — Microsofts Enterprise-Orchestrierungs-SDK für strukturierte Prompt- und Skill-Komposition, für Teams mit .NET/Python/Java.
• CrewAI Review: Funktionen, Preise, Alternativen — ein rollenbasiertes Multi-Agent-Framework, für Teams, die Agentenkoordination statt Prompt-Optimierung brauchen.
• Local LLM Software Directory — der vollständige Katalog lokaler KI-Tools, zu dem dieser Artikel gehört, einschließlich der Einordnung von DSPy unter Agenten- und Pipeline-Frameworks.