DSPy: avis, fonctionnalités et alternatives

De la recherche Stanford au framework de production

Qu'est-ce que DSPy ?

• Signature : une définition typée des entrées et sorties d'une tâche, écrite comme une courte classe ou une chaîne (par exemple "question -> answer"), portable entre différents LLM sous-jacents et stratégies de prompt
• Module : un composant qui implémente une stratégie d'exécution autour d'une Signature — Predict pour une complétion directe, ChainOfThought pour un raisonnement pas à pas, ReAct pour des boucles de raisonnement utilisant des outils, entre autres
• Optimizer (anciennement appelé teleprompter) : un algorithme qui ajuste automatiquement les prompts et exemples few-shot d'un programme DSPy selon une métrique, plutôt qu'à la main — les optimiseurs nommés incluent BootstrapFewShot, MIPROv2 et GEPA
• Compiler un programme : exécuter un optimiseur sur un jeu d'entraînement et une fonction de score produit un programme compilé avec des instructions et exemples ajustés intégrés, que vous exécutez ensuite comme n'importe quel autre programme DSPy
• Agnostique au modèle : DSPy se connecte au fournisseur LLM que vous configurez plutôt que d'embarquer un modèle intégré, et le même code de Signature/Module peut être réoptimisé pour un autre modèle sous-jacent
• Pas un orchestrateur multi-agents : DSPy n'a pas de concept intégré de plusieurs agents communicants comme CrewAI ou AutoGen — un programme DSPy est typiquement un pipeline unique de Modules, même si des modules ReAct peuvent appeler des outils dans une boucle de raisonnement

pip install dspy

# Exemple minimal : 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)

Combien coûte DSPy ?

• DSPy (le framework open source) : gratuit pour toujours sous licence MIT, auto-hébergé, sans plafond d'usage, sans compte requis pour l'exécuter
• Aucun produit hébergé ni abonnement : DSPy est une bibliothèque que vous importez et exécutez vous-même, pas un service géré — il n'y a rien à souscrire
• Coût optionnel : frais d'API du fournisseur LLM configuré (par exemple tarification au token d'un fournisseur cloud), si vous connectez un modèle cloud plutôt qu'un modèle local
• Coût lié aux optimiseurs : exécuter un optimiseur comme MIPROv2 génère plusieurs appels LLM pour rechercher la meilleure configuration de prompt, donc compiler un programme a son propre coût d'appels d'API en plus de l'exécution du programme compilé ensuite

Comment installer et démarrer avec DSPy ?

1. 1
   Installez le paquet : pip install dspy.
2. 2
   Configurez un fournisseur LLM — par exemple dspy.configure(lm=dspy.LM('openai/gpt-4o-mini', api_key='your-key')) pour un modèle hébergé, ou pointez vers un endpoint local compatible OpenAI.
3. 3
   Définissez une Signature décrivant les entrées et sorties de votre tâche, soit sous forme de courte chaîne ("question -> answer"), soit sous forme de classe typée avec dspy.InputField() / dspy.OutputField().
4. 4
   Enveloppez la Signature dans un Module — dspy.Predict(...) pour un appel direct, ou dspy.ChainOfThought(...) pour un raisonnement pas à pas — et appelez-le comme une fonction.
5. 5
   Optionnel : constituez un petit jeu d'entraînement et une fonction de score, puis exécutez un optimiseur comme dspy.BootstrapFewShot ou dspy.MIPROv2 pour compiler une version ajustée de votre programme.
6. 6
   Consultez la documentation DSPy pour l'ensemble des tutoriels, y compris les pipelines RAG, les boucles d'agent avec ReAct et la configuration des optimiseurs.

Qui devrait utiliser DSPy ?

Quand ne devriez-vous PAS utiliser DSPy ?

• Une équipe qui a besoin d'un constructeur de workflow visuel, sans code — DSPy est code-first, sans interface glisser-déposer
• Un projet qui relève fondamentalement de la coordination multi-agents (des agents qui se délèguent des sous-tâches entre eux) — un framework conçu pour ce schéma, comme CrewAI ou AutoGen, est structurellement mieux adapté
• Un script ponctuel où un prompt unique écrit à la main fonctionne déjà suffisamment bien — introduire Signatures, Modules et une boucle d'optimisation ajoute une charge d'ingénierie qui ne se justifie que si une amélioration mesurable et reproductible du prompt est nécessaire
• Une tâche sans moyen d'évaluer la justesse — les optimiseurs de DSPy nécessitent une fonction métrique, donc les tâches purement subjectives sans exemples étiquetés tirent peu de bénéfice de l'étape d'optimisation
• Utilisez plutôt DSPy précisément lorsque vous avez un pipeline, une métrique et un jeu d'entraînement, et que vous voulez automatiser et rendre reproductible l'étape de prompt engineering

DSPy vs alternatives

Comparer dans l'annuaire→

Erreurs courantes lors de l'évaluation de DSPy

Questions fréquemment posées

Sources

À lire aussi

• Avis LangChain : fonctionnalités, prix, alternatives — le framework Python généraliste de pipelines LLM avec l'écosystème d'intégrations le plus large, pour les équipes qui ont besoin de connecteurs prêts à l'emploi plutôt que d'optimisation de prompts.
• Avis LlamaIndex : framework RAG — un framework de données axé RAG pour les pipelines de génération augmentée par récupération, un autre framework Python de la même catégorie de briques que DSPy.
• Avis Semantic Kernel : fonctionnalités, prix, alternatives — le SDK d'orchestration entreprise de Microsoft pour la composition structurée de prompts et compétences, pour les équipes travaillant en .NET/Python/Java.
• Avis CrewAI : fonctionnalités, prix, alternatives — un framework multi-agents basé sur les rôles, pour les équipes ayant besoin de coordination d'agents plutôt que d'optimisation de prompts.
• Local LLM Software Directory — le catalogue complet d'outils d'IA locale auquel appartient cet article, y compris la place de DSPy parmi les frameworks d'agents et de pipelines.