Reseña de DSPy 2026: funciones, optimizadores, alternativas

De la investigación en Stanford al framework de producción

¿Qué es DSPy?

• Signature: una definición tipada de las entradas y salidas de una tarea, escrita como una clase corta o una cadena (por ejemplo "question -> answer"), portable entre distintos LLM subyacentes y estrategias de prompt
• Module: un componente que implementa una estrategia de ejecución alrededor de una Signature — Predict para completado directo, ChainOfThought para razonamiento paso a paso, ReAct para bucles de razonamiento que usan herramientas, entre otros
• Optimizer (antes llamado teleprompter): un algoritmo que ajusta los prompts y ejemplos few-shot dentro de un programa DSPy según una métrica, de forma automática en lugar de manual — los optimizadores con nombre incluyen BootstrapFewShot, MIPROv2 y GEPA
• Compilar un programa: ejecutar un optimizador sobre un conjunto de entrenamiento y una función de puntuación produce un programa compilado con instrucciones y ejemplos ajustados incorporados, que luego se ejecuta como cualquier otro programa DSPy
• Agnóstico del modelo: DSPy se conecta al proveedor de LLM que usted configure en lugar de traer un modelo integrado, y el mismo código de Signature/Module puede reoptimizarse para un modelo subyacente distinto
• No es un orquestador multiagente: DSPy no tiene un concepto integrado de varios agentes que se comunican, como CrewAI o AutoGen — un programa DSPy suele ser un único pipeline de Modules, aunque los módulos ReAct pueden llamar herramientas dentro de un bucle de razonamiento

pip install dspy

# Ejemplo mínimo: 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)

¿Cuánto cuesta DSPy?

• DSPy (el framework de código abierto): gratuito para siempre bajo la licencia MIT, autoalojado, sin límites de uso, sin necesidad de cuenta para ejecutarlo
• Sin producto alojado ni suscripción: DSPy es una biblioteca que usted importa y ejecuta por su cuenta, no un servicio gestionado — no hay nada que suscribir
• Costo opcional: tarifas de API del proveedor de LLM configurado (por ejemplo, precios por token de un proveedor en la nube) si conecta un modelo en la nube en lugar de uno local
• Consideración de costo por optimizadores: ejecutar un optimizador como MIPROv2 realiza múltiples llamadas al LLM para buscar la mejor configuración de prompt, así que compilar un programa tiene su propio costo de llamadas de API además de ejecutar después el programa compilado

¿Cómo instalar y empezar con DSPy?

1. 1
   Instale el paquete: pip install dspy.
2. 2
   Configure un proveedor de LLM — por ejemplo, dspy.configure(lm=dspy.LM('openai/gpt-4o-mini', api_key='your-key')) para un modelo alojado, o apunte a un endpoint local compatible con OpenAI.
3. 3
   Defina una Signature que describa las entradas y salidas de su tarea, ya sea como una cadena corta ("question -> answer") o como una clase tipada con dspy.InputField() / dspy.OutputField().
4. 4
   Envuelva la Signature en un Module — dspy.Predict(...) para una llamada directa, o dspy.ChainOfThought(...) para razonamiento paso a paso — y llámelo como una función.
5. 5
   Opcional: reúna un pequeño conjunto de entrenamiento y una función de puntuación, y ejecute después un optimizador como dspy.BootstrapFewShot o dspy.MIPROv2 para compilar una versión ajustada de su programa.
6. 6
   Consulte la documentación de DSPy para el conjunto completo de tutoriales, incluidos pipelines RAG, bucles de agente con ReAct y configuración de optimizadores.

¿Quién debería usar DSPy?

¿Cuándo NO debería usar DSPy?

• Un equipo que necesita un creador de flujos visual y sin código — DSPy es code-first, sin interfaz de arrastrar y soltar
• Un proyecto que es fundamentalmente coordinación multiagente (agentes que se delegan subtareas entre sí) — un framework diseñado para ese patrón, como CrewAI o AutoGen, encaja mejor estructuralmente
• Un script puntual en el que un único prompt escrito a mano ya funciona lo bastante bien — introducir Signatures, Modules y un bucle de optimización añade una carga de ingeniería que solo se justifica cuando se necesita una mejora de prompt medible y repetible
• Una tarea sin forma de puntuar la corrección — los optimizadores de DSPy requieren una función métrica, así que las tareas puramente subjetivas sin ejemplos etiquetados obtienen poco beneficio del paso de optimización
• Use DSPy en su lugar precisamente cuando tenga un pipeline, una métrica y un conjunto de entrenamiento, y quiera automatizar y hacer reproducible el paso de ingeniería de prompts

DSPy frente a alternativas

Errores comunes al evaluar DSPy

Preguntas frecuentes

Fuentes

Lecturas relacionadas

• Reseña de LangChain: funciones, precios, alternativas — el framework de Python de propósito general para pipelines de LLM con el ecosistema de integraciones más amplio, para equipos que necesitan conectores ya hechos en lugar de optimización de prompts.
• Reseña de LlamaIndex: framework RAG — un framework de datos enfocado en RAG para pipelines de generación aumentada por recuperación, otro framework de Python en la misma categoría de bloques que DSPy.
• Reseña de Semantic Kernel: funciones, precios, alternativas — el SDK de orquestación empresarial de Microsoft para composición estructurada de prompts y skills, para equipos que trabajan en .NET/Python/Java.
• Reseña de CrewAI: funciones, precios, alternativas — un framework multiagente basado en roles, para equipos que necesitan coordinación de agentes en lugar de optimización de prompts.
• Local LLM Software Directory — el catálogo completo de herramientas de IA local al que pertenece este artículo, incluido dónde encaja DSPy entre los frameworks de agentes y pipelines.