DSPy: análise, recursos e alternativas

Da pesquisa em Stanford ao framework de produção

O que é o DSPy?

• Signature: uma definição tipada das entradas e saídas de uma tarefa, escrita como uma classe curta ou string (por exemplo, "question -> answer"), portável entre diferentes LLMs subjacentes e estratégias de prompt
• Module: um componente que implementa uma estratégia de execução em torno de uma Signature — Predict para conclusão direta, ChainOfThought para raciocínio passo a passo, ReAct para loops de raciocínio que usam ferramentas, entre outros
• Optimizer (antes chamado de teleprompter): um algoritmo que ajusta os prompts e exemplos few-shot dentro de um programa DSPy segundo uma métrica, de forma automática em vez de manual — otimizadores nomeados incluem BootstrapFewShot, MIPROv2 e GEPA
• Compilar um programa: executar um otimizador sobre um conjunto de treinamento e uma função de pontuação produz um programa compilado com instruções e exemplos ajustados já incorporados, que você então executa como qualquer outro programa DSPy
• Agnóstico de modelo: o DSPy se conecta ao provedor de LLM que você configura, em vez de trazer um modelo embutido, e o mesmo código de Signature/Module pode ser reotimizado para um modelo subjacente diferente
• Não é um orquestrador multiagente: o DSPy não tem um conceito embutido de vários agentes se comunicando, como o CrewAI ou o AutoGen — um programa DSPy é tipicamente um único pipeline de Modules, embora módulos ReAct possam chamar ferramentas dentro de um loop de raciocínio

pip install dspy

# Exemplo 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)

Quanto custa o DSPy?

• DSPy (o framework de código aberto): gratuito para sempre sob a licença MIT, autogerenciado, sem limites de uso, sem necessidade de conta para executá-lo
• Nenhum produto hospedado ou assinatura: o DSPy é uma biblioteca que você importa e executa por conta própria, não um serviço gerenciado — não há nada para assinar
• Custo opcional: taxas de API do provedor de LLM configurado (por exemplo, preços por token de um provedor em nuvem), caso você conecte um modelo em nuvem em vez de um local
• Consideração de custo dos otimizadores: executar um otimizador como o MIPROv2 faz múltiplas chamadas ao LLM para buscar a melhor configuração de prompt, então compilar um programa tem seu próprio custo de chamadas de API, além de executar o programa compilado depois

Como instalar e começar a usar o DSPy?

1. 1
   Instale o pacote: pip install dspy.
2. 2
   Configure um provedor de LLM — por exemplo, dspy.configure(lm=dspy.LM('openai/gpt-4o-mini', api_key='your-key')) para um modelo hospedado, ou aponte para um endpoint local compatível com OpenAI.
3. 3
   Defina uma Signature descrevendo as entradas e saídas da sua tarefa, seja como uma string curta ("question -> answer") ou como uma classe tipada com dspy.InputField() / dspy.OutputField().
4. 4
   Envolva a Signature em um Module — dspy.Predict(...) para uma chamada direta, ou dspy.ChainOfThought(...) para raciocínio passo a passo — e chame-o como uma função.
5. 5
   Opcional: monte um pequeno conjunto de treinamento e uma função de pontuação, e então execute um otimizador como dspy.BootstrapFewShot ou dspy.MIPROv2 para compilar uma versão ajustada do seu programa.
6. 6
   Veja a documentação do DSPy para o conjunto completo de tutoriais, incluindo pipelines RAG, loops de agente com ReAct e configuração de otimizadores.

Quem deveria usar o DSPy?

Quando você NÃO deveria usar o DSPy?

• Uma equipe que precisa de um construtor de fluxo visual e sem código — o DSPy é code-first, sem interface de arrastar e soltar
• Um projeto que é fundamentalmente coordenação multiagente (agentes delegando subtarefas uns aos outros) — um framework feito para esse padrão, como CrewAI ou AutoGen, se encaixa melhor estruturalmente
• Um script pontual em que um único prompt escrito manualmente já funciona bem o suficiente — introduzir Signatures, Modules e um loop de otimização adiciona uma sobrecarga de engenharia que só compensa quando é preciso uma melhoria de prompt mensurável e repetível
• Uma tarefa sem forma de pontuar a correção — os otimizadores do DSPy exigem uma função de métrica, então tarefas puramente subjetivas sem exemplos rotulados ganham pouco com a etapa de otimização
• Use o DSPy justamente quando você tiver um pipeline, uma métrica e um conjunto de treinamento, e quiser automatizar e tornar reprodutível a etapa de engenharia de prompts

DSPy vs. alternativas

Comparar no diretório→

Erros comuns ao avaliar o DSPy

Perguntas frequentes

Fontes

Leituras relacionadas

• Análise do LangChain: recursos, preços, alternativas — o framework Python de propósito geral para pipelines de LLM com o ecossistema de integrações mais amplo, para equipes que precisam de conectores prontos em vez de otimização de prompts.
• Análise do LlamaIndex: framework RAG — um framework de dados focado em RAG para pipelines de geração aumentada por recuperação, outro framework Python na mesma categoria de blocos de construção que o DSPy.
• Análise do Semantic Kernel: recursos, preços, alternativas — o SDK de orquestração empresarial da Microsoft para composição estruturada de prompts e skills, para equipes trabalhando em .NET/Python/Java.
• Análise do CrewAI: recursos, preços, alternativas — um framework multiagente baseado em papéis, para equipes que precisam de coordenação de agentes em vez de otimização de prompts.
• Local LLM Software Directory — o catálogo completo de ferramentas de IA local ao qual este artigo pertence, incluindo onde o DSPy se encaixa entre frameworks de agentes e pipelines.