指南：用 BootstrapFewShot 自動優(yōu)化你的程序)
DSPy Teleprompter / Optimizer 實戰(zhàn)指南用 BootstrapFewShot 自動優(yōu)化你的程序【免費下載鏈接】Tutorial-Codebase-KnowledgePocket Flow: Codebase to Tutorial項目地址: https://gitcode.com/gh_mirrors/tu/Tutorial-Codebase-Knowledge導讀在 DSPy 教程 的完整技術(shù)棧中構(gòu)建程序、定義簽名、接入 LM/RM 之后評估Evaluate負責回答程序表現(xiàn)如何而Teleprompter又名 Optimizer優(yōu)化器則負責回答程序表現(xiàn)不夠好時如何自動變好。它把傳統(tǒng)上靠人工反復試錯的prompt engineering提示詞工程自動化你只需提供學生程序、訓練數(shù)據(jù)集和度量函數(shù)DSPy 就會自動搜索更優(yōu)的指令與 few-shot 示例甚至可以對 LM 權(quán)重做微調(diào)。讀完本文你將掌握 Teleprompter 的核心三要素、用BootstrapFewShot一鍵自動挑選 few-shot 示例的完整實戰(zhàn)流程以及其底層教師-學生引導式優(yōu)化原理。Teleprompter 是什么程序的教練假設你構(gòu)建了BasicQA程序在上一章的評估中只有 75% 的準確率。傳統(tǒng)做法是開始手動微調(diào)提示詞要不要改改指令的措辭要不要加一些 few-shot 示例哪些示例效果最好這種手工過程緩慢、繁瑣且充滿猜測。Teleprompters正是 DSPy 內(nèi)置的自動化提示詞工程師和程序調(diào)優(yōu)器。它像一個教練對待你的 DSPy 程序?qū)W生教練觀察學生在練習數(shù)據(jù)集上的表現(xiàn)用反饋度量函數(shù)找出弱點提出新策略更好的指令、更好的示例來提升表現(xiàn)不斷重復直到學生表現(xiàn)大幅改善。一個Teleprompter在 DSPy 中是一個算法它接收你的 DSPy Program學生自動調(diào)整其內(nèi)部參數(shù)以在目標任務上最大化性能。這些參數(shù)通常是指令Instructions程序中各模塊如dspy.Predict內(nèi)提供給 LM 的自然語言指引。Few-Shot 示例Demos提示詞中用于向 LM 演示任務的 dspy.Example 對象。部分高級 Teleprompter 甚至可以直接微調(diào) LM 自身的權(quán)重。正如 DSPy 教程首頁架構(gòu)圖 所示Teleprompter 一方面優(yōu)化程序Program一方面可以微調(diào)LM 客戶端同時從示例Example中獲取訓練數(shù)據(jù)、從評估Evaluate中獲取度量標準。Teleprompter 工作的三大要素要施展魔法一個 Teleprompter 需要三樣東西和評估所需的要素非常相似學生程序The Student Program你想要改進的 DSPy 程序。訓練數(shù)據(jù)集trainset一組 dspy.Example 對象代表目標任務。Teleprompter 會用這些數(shù)據(jù)來練習和學習。度量函數(shù)metric與 Evaluate 章節(jié) 中使用的同類函數(shù)用于告訴 Teleprompter 學生程序在trainset的每個示例上表現(xiàn)如何。Teleprompter 使用metric來引導搜索更好的指令或示例嘗試不同的組合保留在trainset上得分最高的那一組。輸出是學生程序的一個優(yōu)化版本。實戰(zhàn)用 BootstrapFewShot 自動尋找優(yōu)質(zhì) Few-Shot 示例沿用上一章的BasicQA程序和評估設置我們從 75% 的初始成績出發(fā)。import dspy from dspy.evaluate import Evaluate # 假設 LM 已配置例如 dspy.settings.configure(lm...) # 我們的簡單程序 class BasicQA(dspy.Module): def __init__(self): super().__init__() self.predictor dspy.Predict(question - answer) def forward(self, question): return self.predictor(questionquestion) # 來自第 7 章的度量函數(shù) def simple_exact_match_metric(gold, prediction, traceNone): return prediction.answer.lower() gold.answer.lower() # 來自第 7 章的數(shù)據(jù)集這次當作 trainset 使用 dev_example1 dspy.Example(questionWhat color is the sky?, answerblue) dev_example2 dspy.Example(questionWhat is 2 2?, answer4) dev_example3 dspy.Example(questionWhat is the capital of France?, answerParis) # 程序最初可能答錯的示例 dev_example_hard dspy.Example(questionWho painted the Mona Lisa?, answerLeonardo da Vinci) trainset [dev_example1, dev_example2, dev_example3, dev_example_hard] trainset [d.with_inputs(question) for d in trainset] # 先評估初始程序大概率不完美 initial_program BasicQA() evaluator Evaluate(devsettrainset, metricsimple_exact_match_metric, display_progressFalse) initial_score evaluator(initial_program) print(fInitial Score (on trainset): {initial_score}%) # 可能輸出: Initial Score (on trainset): 75.0% 假設最后一個答錯初始程序只有 75%。手動加 few-shot 示例的話該加哪些、加多少這正是dspy.teleprompt.BootstrapFewShot的用武之地——它自動為程序中的每個預測器創(chuàng)建并挑選 few-shot 演示。第 1 步導入 Teleprompterfrom dspy.teleprompt import BootstrapFewShot第 2 步實例化 Teleprompter需要給它用于判斷成功與否的metric函數(shù)還可以指定每個預測器最多嘗試尋找多少條候選演示max_bootstrapped_demos。# 配置 BootstrapFewShot 優(yōu)化器 # 它使用 metric 尋找成功的演示 # max_bootstrapped_demos4 表示它為每個預測器最多尋找 4 個好示例 config dict(max_bootstrapped_demos4, metricsimple_exact_match_metric) teleprompter BootstrapFewShot(**config)第 3 步編譯程序compile這是核心步驟調(diào)用 Teleprompter 的compile方法傳入初始student程序和trainset。它返回一個全新的、經(jīng)過優(yōu)化的程序。# 編譯程序 # 這一步使用 trainset 運行優(yōu)化過程 # 用一個 teacher 模型通常就是學生自身或其副本生成 trace # 通過 metric 找出成功的 trace # 并把它們作為 demos 添加到學生程序的預測器中。 compiled_program teleprompter.compile(studentinitial_program, trainsettrainset) # compiled_program 是 BasicQA 的新實例 # 但其內(nèi)部預測器現(xiàn)在已經(jīng)帶上了 few-shot 示例剛才到底發(fā)生了什么在幕后BootstrapFewShot概念上做了這些事使用一個 teacher 程序通常是學生的副本或另一個指定的 LM 配置運行trainset中的每個示例對每個示例用我們的simple_exact_match_metric檢查 teacher 的輸出是否正確如果示例被正確完成Teleprompter 就把這組輸入/輸出保存為一條潛在的演示好示例收集所有成功的演示把挑選出的一組好演示數(shù)量受max_bootstrapped_demos限制賦值給compiled_program內(nèi)對應預測器的demos屬性。第 4 步評估編譯后的程序# 評估編譯后的程序 compiled_score evaluator(compiled_program) print(fCompiled Score (on trainset): {compiled_score}%) # 如果優(yōu)化生效分數(shù)應該更高 # 可能輸出: Compiled Score (on trainset): 100.0%如果BootstrapFewShot找到了好示例比如 teacher 模型成功回答蒙娜麗莎后得到的那個示例compiled_program的提示詞中就會內(nèi)嵌這些示例幫助 LM 在相似問題上表現(xiàn)得更好。我們就這樣把尋找有效 few-shot 示例的過程自動化了。優(yōu)化如何工作概念層面不同 Teleprompter 采用不同策略但核心思路通常是目標Goal找到能在trainset上最大化metric分數(shù)的程序參數(shù)指令、演示。搜索空間Search Space所有可能指令或演示組合構(gòu)成的空間。搜索策略Search StrategyTeleprompter 如何探索這個空間BootstrapFewShot基于 teacher 的成功執(zhí)行來生成候選演示其他優(yōu)化器如代碼片段中提到的COPRO、MIPROv2可能讓 LM提出新指令、評估并迭代有些使用貝葉斯優(yōu)化或隨機搜索等更復雜的搜索算法。評估Evaluation用metric和trainset給每個候選配置例如帶特定演示或指令的程序打分。選擇Selection保留得分最高的配置。類比回顧概念對應物教練Teleprompter 算法BootstrapFewShot學生你的 DSPy 程序initial_program練習trainset評分metric函數(shù)simple_exact_match_metric嘗試技巧生成/挑選不同的演示或指令采用最佳技巧生成帶有最高分演示/指令的compiled_program源碼級剖析BootstrapFewShot 的內(nèi)部流程來看BootstrapFewShot.compile()的內(nèi)部流程準備 Teacher設置一個 teacher 程序通常是學生程序的副本有時會配置特定設置如更高溫度以鼓勵探索若提供了標注數(shù)據(jù)也可能使用LabeledFewShot參與 teacher 的搭建。遍歷 Trainset逐個處理trainset中的每個example。Teacher 執(zhí)行對每個example運行 teacher 程序teacher(**example.inputs())。這一步發(fā)生在dspy.settings.context塊內(nèi)以便捕獲執(zhí)行trace。度量檢查用metric(example, prediction, trace)將 teacher 的預測與example的金標準標簽比較。收集 Demos如果metric返回成功如True或超過閾值Teleprompter 從執(zhí)行trace中提取輸入/輸出步驟每個成功的 trace 步驟都可以成為一條候選dspy.Example演示。分配 Demos遍歷完trainset后把收集到的成功演示最多max_bootstrapped_demos條賦值給學生程序?qū)嵗袑A測器的demos屬性。返回編譯后的學生返回修改后的學生程序——現(xiàn)在它已攜帶 bootstrapped few-shot 示例。相關(guān)源碼文件dspy/teleprompt/teleprompt.py定義基類Teleprompter。dspy/teleprompt/bootstrap.py包含BootstrapFewShot的實現(xiàn)關(guān)鍵方法compile編排整個流程和_bootstrap_one_example負責對單個訓練示例運行 teacher 并檢查 metric。以下是從dspy/teleprompt/bootstrap.py提煉的簡化視角展示了這個核心循環(huán)運行 teacher → 檢查 metric → 把成功的 trace 收集為 demos → 最終把 demos 賦值給學生程序。# Simplified view from dspy/teleprompt/bootstrap.py # ... imports ... from .teleprompt import Teleprompter from .vanilla import LabeledFewShot # Used for teacher setup if labeled demos are needed import dspy class BootstrapFewShot(Teleprompter): def __init__(self, metricNone, max_bootstrapped_demos4, ...): self.metric metric self.max_bootstrapped_demos max_bootstrapped_demos # ... other initializations ... def compile(self, student, *, teacherNone, trainset): self.trainset trainset self._prepare_student_and_teacher(student, teacher) # Sets up self.student and self.teacher self._prepare_predictor_mappings() # Links student predictors to teacher predictors self._bootstrap() # Runs the core bootstrapping logic self.student self._train() # Assigns collected demos to the student self.student._compiled True return self.student def _bootstrap(self): # ... setup ... self.name2traces {name: [] for name in self.name2predictor} # Store successful traces per predictor for example_idx, example in enumerate(tqdm.tqdm(self.trainset)): # ... logic to stop early if enough demos found ... success self._bootstrap_one_example(example, round_idx0) # Try to get a demo from this example # ... potentially multiple rounds ... # ... logging ... def _bootstrap_one_example(self, example, round_idx0): # ... setup teacher context (e.g., temperature) ... try: with dspy.settings.context(trace[], **self.teacher_settings): # Optionally modify teacher LM settings for exploration # ... # Run the teacher program prediction self.teacher(**example.inputs()) trace dspy.settings.trace # Get the execution trace # Evaluate the prediction using the metric if self.metric: metric_val self.metric(example, prediction, trace) # Determine success based on metric value/threshold success bool(metric_val) # Simplified else: success True # Assume success if no metric provided except Exception: success False # ... error handling ... if success: # If successful, extract demos from the trace for step in trace: predictor, inputs, outputs step demo dspy.Example(augmentedTrue, **inputs, **outputs) try: predictor_name self.predictor2name[id(predictor)] # Store the successful demo example self.name2traces[predictor_name].append(demo) except KeyError: continue # Handle potential issues finding the predictor return success def _train(self): # Assign the collected demos to the students predictors for name, predictor in self.student.named_predictors(): demos_for_predictor self.name2traces[name][:self.max_bootstrapped_demos] # Potentially mix with labeled demos if configured # ... predictor.demos demos_for_predictor # Assign the demos! return self.student這段簡化代碼揭示了幾個值得注意的工程細節(jié)teacher 設置compile的teacher參數(shù)允許你顯式指定教師程序_prepare_student_and_teacher與_prepare_predictor_mappings負責在學生與教師之間建立預測器級別的映射確保教師 trace 中的每一步都能定位到學生程序中對應的預測器。trace 捕獲_bootstrap_one_example在dspy.settings.context(trace[], **self.teacher_settings)中運行教師程序執(zhí)行完成后通過dspy.settings.trace拿到完整調(diào)用鏈每個 trace 步驟形如(predictor, inputs, outputs)這正是從成功的執(zhí)行中提取演示的原料。演示構(gòu)造成功的 trace 步驟被包裝為dspy.Example(augmentedTrue, **inputs, **outputs)其中augmentedTrue標記這是引導生成的演示區(qū)別于原始標注數(shù)據(jù)。異常兜底teacher 執(zhí)行或 metric 拋異常時_bootstrap_one_example直接判定失敗success False保證單個壞樣本不會中斷整個優(yōu)化循環(huán)。demos 賦值_train通過student.named_predictors()遍歷學生程序的所有預測器把收集到的演示截取前max_bootstrapped_demos條寫入predictor.demos。這些 demos 在后續(xù)推理時會被 Adapter 格式化為提示詞中的 few-shot 片段最終送達 LM。總結(jié)至此你已掌握 DSPyTeleprompters / Optimizers——自動化提示詞工程的強大工具Teleprompter 像教練一樣自動調(diào)優(yōu)你的 DSPy 程序?qū)W生它們優(yōu)化指令與**few-shot 示例demos**等參數(shù)高級優(yōu)化器還可微調(diào) LM 權(quán)重它們需要學生程序、訓練數(shù)據(jù)集和度量函數(shù)三樣輸入我們看到BootstrapFewShot如何通過運行 teacher 模型、收集成功執(zhí)行 trace 來自動找到有效的 few-shot 示例teleprompter.compile()的產(chǎn)物是一個優(yōu)化后的程序?qū)嵗芍苯邮褂没蚶^續(xù)評估。Teleprompter 讓你免于繁瑣的手工調(diào)參從而更高效地構(gòu)建高性能的 LM 程序。理解了如何構(gòu)建、評估并自動優(yōu)化 DSPy 程序之后下一步就是解決優(yōu)化后的程序如何與不同數(shù)據(jù)格式、不同模型尤其是聊天模型順暢交互的問題——這正是 Adapter第 9 章 的主題。【免費下載鏈接】Tutorial-Codebase-KnowledgePocket Flow: Codebase to Tutorial項目地址: https://gitcode.com/gh_mirrors/tu/Tutorial-Codebase-Knowledge創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 DSPy Teleprompter / Optimizer 實戰(zhàn)指南：用 BootstrapFewShot 自動優(yōu)化你的程序
DSPy Teleprompter / Optimizer 實戰(zhàn)指南用 BootstrapFewShot 自動優(yōu)化你的程序【免費下載鏈接】Tutorial-Codebase-KnowledgePocket Flow: Codebase to Tutorial項目地址: https://gitcode.com/gh_mirrors/tu/Tutorial-Codebase-Knowledge導讀在 DSPy 教程 的完整技術(shù)棧中構(gòu)建程序、定義簽名、接入 LM/RM 之后評估Evaluate負責回答程序表現(xiàn)如何而Teleprompter又名 Optimizer優(yōu)化器則負責回答程序表現(xiàn)不夠好時如何自動變好。它把傳統(tǒng)上靠人工反復試錯的prompt engineering提示詞工程自動化你只需提供學生程序、訓練數(shù)據(jù)集和度量函數(shù)DSPy 就會自動搜索更優(yōu)的指令與 few-shot 示例甚至可以對 LM 權(quán)重做微調(diào)。讀完本文你將掌握 Teleprompter 的核心三要素、用BootstrapFewShot一鍵自動挑選 few-shot 示例的完整實戰(zhàn)流程以及其底層教師-學生引導式優(yōu)化原理。Teleprompter 是什么程序的教練假設你構(gòu)建了BasicQA程序在上一章的評估中只有 75% 的準確率。傳統(tǒng)做法是開始手動微調(diào)提示詞要不要改改指令的措辭要不要加一些 few-shot 示例哪些示例效果最好這種手工過程緩慢、繁瑣且充滿猜測。Teleprompters正是 DSPy 內(nèi)置的自動化提示詞工程師和程序調(diào)優(yōu)器。它像一個教練對待你的 DSPy 程序?qū)W生教練觀察學生在練習數(shù)據(jù)集上的表現(xiàn)用反饋度量函數(shù)找出弱點提出新策略更好的指令、更好的示例來提升表現(xiàn)不斷重復直到學生表現(xiàn)大幅改善。一個Teleprompter在 DSPy 中是一個算法它接收你的 DSPy Program學生自動調(diào)整其內(nèi)部參數(shù)以在目標任務上最大化性能。這些參數(shù)通常是指令Instructions程序中各模塊如dspy.Predict內(nèi)提供給 LM 的自然語言指引。Few-Shot 示例Demos提示詞中用于向 LM 演示任務的 dspy.Example 對象。部分高級 Teleprompter 甚至可以直接微調(diào) LM 自身的權(quán)重。正如 DSPy 教程首頁架構(gòu)圖 所示Teleprompter 一方面優(yōu)化程序Program一方面可以微調(diào)LM 客戶端同時從示例Example中獲取訓練數(shù)據(jù)、從評估Evaluate中獲取度量標準。Teleprompter 工作的三大要素要施展魔法一個 Teleprompter 需要三樣東西和評估所需的要素非常相似學生程序The Student Program你想要改進的 DSPy 程序。訓練數(shù)據(jù)集trainset一組 dspy.Example 對象代表目標任務。Teleprompter 會用這些數(shù)據(jù)來練習和學習。度量函數(shù)metric與 Evaluate 章節(jié) 中使用的同類函數(shù)用于告訴 Teleprompter 學生程序在trainset的每個示例上表現(xiàn)如何。Teleprompter 使用metric來引導搜索更好的指令或示例嘗試不同的組合保留在trainset上得分最高的那一組。輸出是學生程序的一個優(yōu)化版本。實戰(zhàn)用 BootstrapFewShot 自動尋找優(yōu)質(zhì) Few-Shot 示例沿用上一章的BasicQA程序和評估設置我們從 75% 的初始成績出發(fā)。import dspy from dspy.evaluate import Evaluate # 假設 LM 已配置例如 dspy.settings.configure(lm...) # 我們的簡單程序 class BasicQA(dspy.Module): def __init__(self): super().__init__() self.predictor dspy.Predict(question - answer) def forward(self, question): return self.predictor(questionquestion) # 來自第 7 章的度量函數(shù) def simple_exact_match_metric(gold, prediction, traceNone): return prediction.answer.lower() gold.answer.lower() # 來自第 7 章的數(shù)據(jù)集這次當作 trainset 使用 dev_example1 dspy.Example(questionWhat color is the sky?, answerblue) dev_example2 dspy.Example(questionWhat is 2 2?, answer4) dev_example3 dspy.Example(questionWhat is the capital of France?, answerParis) # 程序最初可能答錯的示例 dev_example_hard dspy.Example(questionWho painted the Mona Lisa?, answerLeonardo da Vinci) trainset [dev_example1, dev_example2, dev_example3, dev_example_hard] trainset [d.with_inputs(question) for d in trainset] # 先評估初始程序大概率不完美 initial_program BasicQA() evaluator Evaluate(devsettrainset, metricsimple_exact_match_metric, display_progressFalse) initial_score evaluator(initial_program) print(fInitial Score (on trainset): {initial_score}%) # 可能輸出: Initial Score (on trainset): 75.0% 假設最后一個答錯初始程序只有 75%。手動加 few-shot 示例的話該加哪些、加多少這正是dspy.teleprompt.BootstrapFewShot的用武之地——它自動為程序中的每個預測器創(chuàng)建并挑選 few-shot 演示。第 1 步導入 Teleprompterfrom dspy.teleprompt import BootstrapFewShot第 2 步實例化 Teleprompter需要給它用于判斷成功與否的metric函數(shù)還可以指定每個預測器最多嘗試尋找多少條候選演示max_bootstrapped_demos。# 配置 BootstrapFewShot 優(yōu)化器 # 它使用 metric 尋找成功的演示 # max_bootstrapped_demos4 表示它為每個預測器最多尋找 4 個好示例 config dict(max_bootstrapped_demos4, metricsimple_exact_match_metric) teleprompter BootstrapFewShot(**config)第 3 步編譯程序compile這是核心步驟調(diào)用 Teleprompter 的compile方法傳入初始student程序和trainset。它返回一個全新的、經(jīng)過優(yōu)化的程序。# 編譯程序 # 這一步使用 trainset 運行優(yōu)化過程 # 用一個 teacher 模型通常就是學生自身或其副本生成 trace # 通過 metric 找出成功的 trace # 并把它們作為 demos 添加到學生程序的預測器中。 compiled_program teleprompter.compile(studentinitial_program, trainsettrainset) # compiled_program 是 BasicQA 的新實例 # 但其內(nèi)部預測器現(xiàn)在已經(jīng)帶上了 few-shot 示例剛才到底發(fā)生了什么在幕后BootstrapFewShot概念上做了這些事使用一個 teacher 程序通常是學生的副本或另一個指定的 LM 配置運行trainset中的每個示例對每個示例用我們的simple_exact_match_metric檢查 teacher 的輸出是否正確如果示例被正確完成Teleprompter 就把這組輸入/輸出保存為一條潛在的演示好示例收集所有成功的演示把挑選出的一組好演示數(shù)量受max_bootstrapped_demos限制賦值給compiled_program內(nèi)對應預測器的demos屬性。第 4 步評估編譯后的程序# 評估編譯后的程序 compiled_score evaluator(compiled_program) print(fCompiled Score (on trainset): {compiled_score}%) # 如果優(yōu)化生效分數(shù)應該更高 # 可能輸出: Compiled Score (on trainset): 100.0%如果BootstrapFewShot找到了好示例比如 teacher 模型成功回答蒙娜麗莎后得到的那個示例compiled_program的提示詞中就會內(nèi)嵌這些示例幫助 LM 在相似問題上表現(xiàn)得更好。我們就這樣把尋找有效 few-shot 示例的過程自動化了。優(yōu)化如何工作概念層面不同 Teleprompter 采用不同策略但核心思路通常是目標Goal找到能在trainset上最大化metric分數(shù)的程序參數(shù)指令、演示。搜索空間Search Space所有可能指令或演示組合構(gòu)成的空間。搜索策略Search StrategyTeleprompter 如何探索這個空間BootstrapFewShot基于 teacher 的成功執(zhí)行來生成候選演示其他優(yōu)化器如代碼片段中提到的COPRO、MIPROv2可能讓 LM提出新指令、評估并迭代有些使用貝葉斯優(yōu)化或隨機搜索等更復雜的搜索算法。評估Evaluation用metric和trainset給每個候選配置例如帶特定演示或指令的程序打分。選擇Selection保留得分最高的配置。類比回顧概念對應物教練Teleprompter 算法BootstrapFewShot學生你的 DSPy 程序initial_program練習trainset評分metric函數(shù)simple_exact_match_metric嘗試技巧生成/挑選不同的演示或指令采用最佳技巧生成帶有最高分演示/指令的compiled_program源碼級剖析BootstrapFewShot 的內(nèi)部流程來看BootstrapFewShot.compile()的內(nèi)部流程準備 Teacher設置一個 teacher 程序通常是學生程序的副本有時會配置特定設置如更高溫度以鼓勵探索若提供了標注數(shù)據(jù)也可能使用LabeledFewShot參與 teacher 的搭建。遍歷 Trainset逐個處理trainset中的每個example。Teacher 執(zhí)行對每個example運行 teacher 程序teacher(**example.inputs())。這一步發(fā)生在dspy.settings.context塊內(nèi)以便捕獲執(zhí)行trace。度量檢查用metric(example, prediction, trace)將 teacher 的預測與example的金標準標簽比較。收集 Demos如果metric返回成功如True或超過閾值Teleprompter 從執(zhí)行trace中提取輸入/輸出步驟每個成功的 trace 步驟都可以成為一條候選dspy.Example演示。分配 Demos遍歷完trainset后把收集到的成功演示最多max_bootstrapped_demos條賦值給學生程序?qū)嵗袑A測器的demos屬性。返回編譯后的學生返回修改后的學生程序——現(xiàn)在它已攜帶 bootstrapped few-shot 示例。相關(guān)源碼文件dspy/teleprompt/teleprompt.py定義基類Teleprompter。dspy/teleprompt/bootstrap.py包含BootstrapFewShot的實現(xiàn)關(guān)鍵方法compile編排整個流程和_bootstrap_one_example負責對單個訓練示例運行 teacher 并檢查 metric。以下是從dspy/teleprompt/bootstrap.py提煉的簡化視角展示了這個核心循環(huán)運行 teacher → 檢查 metric → 把成功的 trace 收集為 demos → 最終把 demos 賦值給學生程序。# Simplified view from dspy/teleprompt/bootstrap.py # ... imports ... from .teleprompt import Teleprompter from .vanilla import LabeledFewShot # Used for teacher setup if labeled demos are needed import dspy class BootstrapFewShot(Teleprompter): def __init__(self, metricNone, max_bootstrapped_demos4, ...): self.metric metric self.max_bootstrapped_demos max_bootstrapped_demos # ... other initializations ... def compile(self, student, *, teacherNone, trainset): self.trainset trainset self._prepare_student_and_teacher(student, teacher) # Sets up self.student and self.teacher self._prepare_predictor_mappings() # Links student predictors to teacher predictors self._bootstrap() # Runs the core bootstrapping logic self.student self._train() # Assigns collected demos to the student self.student._compiled True return self.student def _bootstrap(self): # ... setup ... self.name2traces {name: [] for name in self.name2predictor} # Store successful traces per predictor for example_idx, example in enumerate(tqdm.tqdm(self.trainset)): # ... logic to stop early if enough demos found ... success self._bootstrap_one_example(example, round_idx0) # Try to get a demo from this example # ... potentially multiple rounds ... # ... logging ... def _bootstrap_one_example(self, example, round_idx0): # ... setup teacher context (e.g., temperature) ... try: with dspy.settings.context(trace[], **self.teacher_settings): # Optionally modify teacher LM settings for exploration # ... # Run the teacher program prediction self.teacher(**example.inputs()) trace dspy.settings.trace # Get the execution trace # Evaluate the prediction using the metric if self.metric: metric_val self.metric(example, prediction, trace) # Determine success based on metric value/threshold success bool(metric_val) # Simplified else: success True # Assume success if no metric provided except Exception: success False # ... error handling ... if success: # If successful, extract demos from the trace for step in trace: predictor, inputs, outputs step demo dspy.Example(augmentedTrue, **inputs, **outputs) try: predictor_name self.predictor2name[id(predictor)] # Store the successful demo example self.name2traces[predictor_name].append(demo) except KeyError: continue # Handle potential issues finding the predictor return success def _train(self): # Assign the collected demos to the students predictors for name, predictor in self.student.named_predictors(): demos_for_predictor self.name2traces[name][:self.max_bootstrapped_demos] # Potentially mix with labeled demos if configured # ... predictor.demos demos_for_predictor # Assign the demos! return self.student這段簡化代碼揭示了幾個值得注意的工程細節(jié)teacher 設置compile的teacher參數(shù)允許你顯式指定教師程序_prepare_student_and_teacher與_prepare_predictor_mappings負責在學生與教師之間建立預測器級別的映射確保教師 trace 中的每一步都能定位到學生程序中對應的預測器。trace 捕獲_bootstrap_one_example在dspy.settings.context(trace[], **self.teacher_settings)中運行教師程序執(zhí)行完成后通過dspy.settings.trace拿到完整調(diào)用鏈每個 trace 步驟形如(predictor, inputs, outputs)這正是從成功的執(zhí)行中提取演示的原料。演示構(gòu)造成功的 trace 步驟被包裝為dspy.Example(augmentedTrue, **inputs, **outputs)其中augmentedTrue標記這是引導生成的演示區(qū)別于原始標注數(shù)據(jù)。異常兜底teacher 執(zhí)行或 metric 拋異常時_bootstrap_one_example直接判定失敗success False保證單個壞樣本不會中斷整個優(yōu)化循環(huán)。demos 賦值_train通過student.named_predictors()遍歷學生程序的所有預測器把收集到的演示截取前max_bootstrapped_demos條寫入predictor.demos。這些 demos 在后續(xù)推理時會被 Adapter 格式化為提示詞中的 few-shot 片段最終送達 LM。總結(jié)至此你已掌握 DSPyTeleprompters / Optimizers——自動化提示詞工程的強大工具Teleprompter 像教練一樣自動調(diào)優(yōu)你的 DSPy 程序?qū)W生它們優(yōu)化指令與**few-shot 示例demos**等參數(shù)高級優(yōu)化器還可微調(diào) LM 權(quán)重它們需要學生程序、訓練數(shù)據(jù)集和度量函數(shù)三樣輸入我們看到BootstrapFewShot如何通過運行 teacher 模型、收集成功執(zhí)行 trace 來自動找到有效的 few-shot 示例teleprompter.compile()的產(chǎn)物是一個優(yōu)化后的程序?qū)嵗芍苯邮褂没蚶^續(xù)評估。Teleprompter 讓你免于繁瑣的手工調(diào)參從而更高效地構(gòu)建高性能的 LM 程序。理解了如何構(gòu)建、評估并自動優(yōu)化 DSPy 程序之后下一步就是解決優(yōu)化后的程序如何與不同數(shù)據(jù)格式、不同模型尤其是聊天模型順暢交互的問題——這正是 Adapter第 9 章 的主題。【免費下載鏈接】Tutorial-Codebase-KnowledgePocket Flow: Codebase to Tutorial項目地址: https://gitcode.com/gh_mirrors/tu/Tutorial-Codebase-Knowledge創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考