DSPyレビュー2026：機能・オプティマイザー・代替ツール

Stanford発の研究からプロダクションフレームワークへ

DSPyとは何か？

• Signature：タスクの入力と出力を型付きで定義したもの。短いクラスまたは文字列（例："question -> answer"）として記述され、異なるLLMやプロンプト戦略の間で移植可能
• Module：Signatureを取り巻く実行戦略を実装するコンポーネント——直接的な補完のためのPredict、段階的推論のためのChainOfThought、ツールを使った推論ループのためのReActなど
• Optimizer（以前はteleprompterと呼ばれた）：DSPyプログラム内のプロンプトとFew-Shot例を、手動ではなくメトリクスに対して自動的に調整するアルゴリズム——名前付きOptimizerにはBootstrapFewShot、MIPROv2、GEPAがある
• プログラムのコンパイル：トレーニングセットとスコアリング関数に対してOptimizerを実行すると、調整済みの指示文と例が組み込まれたコンパイル済みプログラムが生成され、以降は他のDSPyプログラムと同様に実行できる
• モデル非依存：DSPyは組み込みモデルを持たず、設定したLLMプロバイダーに接続する。同じSignature/Moduleのコードを、異なる基盤モデル向けに再最適化することも可能
• マルチエージェント・オーケストレーターではない：DSPyには、CrewAIやAutoGenのような複数のエージェントが通信し合うという組み込みの概念はない。DSPyプログラムは通常、単一のModuleパイプラインであり、ReActモジュールは推論ループ内でツールを呼び出すことはできる

pip install dspy

# 最小限の例：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)

DSPyの料金はいくらか？

• DSPy（オープンソースフレームワーク）：MITライセンスの下で永久に無料、セルフホスト、利用上限なし、実行にアカウント不要
• ホスト型製品やサブスクリプションはない：DSPyは自分でインポートして実行するライブラリであり、マネージドサービスではない——サブスクライブするものは何もない
• オプションのコスト：クラウドモデルをローカルモデルの代わりに接続する場合、設定したLLMプロバイダーのAPI料金（例：クラウドプロバイダーのトークン単価）がかかる
• オプティマイザーのコストに関する注意：MIPROv2のようなオプティマイザーを実行すると、最良のプロンプト構成を探索するために複数のLLM呼び出しが発生するため、プログラムのコンパイル自体にAPI呼び出しコストがかかり、後でコンパイル済みプログラムを実行するコストに加算される

DSPyのインストールと始め方は？

1. 1
   パッケージをインストール：pip install dspy。
2. 2
   LLMプロバイダーを設定する——例えば、ホスト型モデルにはdspy.configure(lm=dspy.LM('openai/gpt-4o-mini', api_key='your-key'))を使うか、ローカルで提供されているOpenAI互換エンドポイントを指す。
3. 3
   タスクの入力と出力を記述するSignatureを定義する。短い文字列（"question -> answer"）として、またはdspy.InputField() / dspy.OutputField()を使った型付きクラスとして。
4. 4
   Signatureをモジュールでラップする——直接呼び出しにはdspy.Predict(...)、段階的推論にはdspy.ChainOfThought(...)を使い、関数のように呼び出す。
5. 5
   オプション：小さなトレーニングセットとスコアリング関数を用意し、dspy.BootstrapFewShotやdspy.MIPROv2などのオプティマイザーを実行して、調整済みバージョンのプログラムをコンパイルする。
6. 6
   RAGパイプライン、ReActによるエージェントループ、オプティマイザーの設定を含む完全なチュートリアル一式はDSPyドキュメントを参照。

DSPyを使うべき人は？

DSPyを使うべきでないのはどんな時か？

• ビジュアルなノーコードのワークフロービルダーが必要なチーム——DSPyはコードファーストで、ドラッグアンドドロップのインターフェースはない
• 本質的にマルチエージェント調整（エージェントが互いにサブタスクを委任し合う）であるプロジェクト——CrewAIやAutoGenのような、そのパターン専用に作られたフレームワークの方が構造的に適している
• 手書きの単一プロンプトですでに十分な性能が出ている単発のスクリプト——SignatureやModule、最適化ループの導入は、測定可能で再現性のあるプロンプト改善が必要な場合にのみ見合うエンジニアリングの手間を追加する
• 正しさをスコアリングする方法がないタスク——DSPyのオプティマイザーはメトリクス関数を必要とするため、ラベル付き例のない純粋に主観的なタスクでは、最適化ステップの恩恵がほとんどない
• パイプライン、メトリクス、トレーニングセットがあり、プロンプトエンジニアリングのステップを自動化・再現可能にしたい場合にこそDSPyを使う

DSPy vs. 代替ツール

DSPy評価時によくある間違い

よくある質問

情報源

関連記事

• LangChainレビュー：機能、料金、代替ツール — プロンプト最適化ではなく既成のコネクタを必要とするチーム向けの、最も広い統合エコシステムを持つ汎用PythonのLLMパイプラインフレームワーク。
• LlamaIndexレビュー：RAGフレームワーク — 検索拡張パイプライン向けのRAG特化データフレームワークで、DSPyと同じ構成要素カテゴリに属する別のPythonフレームワーク。
• Semantic Kernelレビュー：機能、料金、代替ツール — .NET/Python/Javaで作業するチーム向けの、構造化されたプロンプトとスキル構成のためのMicrosoftのエンタープライズ・オーケストレーションSDK。
• CrewAIレビュー：機能、料金、代替ツール — プロンプト最適化ではなくエージェント調整を必要とするチーム向けの、ロールベースのマルチエージェントフレームワーク。
• Local LLM Software Directory — この記事が属するローカルAIツールの全カタログ。エージェント/パイプラインフレームワークの中でDSPyがどこに位置するかを含む。