# DSPy - компилятор для LLM-запросов

> DSPY - это акадмеческий OpenSource проект, его задача была показать концепцию автопромтинга, чтобы не тратить время на ручное улучшение prompt-инструкций.

Разбор · Алексей Ишманов · 9 июля 2025 · https://aleksishmanov.ru/reviews/dspy-kompilyator-dlya-llm-zaprosov/

DSPY - это акадмеческий OpenSource проект, его задача была показать концепцию автопромтинга, чтобы не тратить время на ручное улучшение prompt-инструкций. Разработчики AI-приложений тратят десятки часов на ручную настройку промтов и отладку цепочек действий, зачастую коррекция одного места ломает качественные метрики в других тестах. DSPy предложил принципиально новый метод: вместо текстовых prompt, собирать готовую функцию с наилучшей комбинацией узлов принятия решений (Prompt, retrieval, few-shots, ChainOfThought, React). Создавать своего рода компилятор для работы с LLM-запросами

Проект DSPY показал практическую пользую академического концепта. Дальше эту идею подхватили и начали развивать в разные оптимизаторы: [MIPROv2,](https://dspy.ai/api/optimizers/MIPROv2/) [BetterTogether](https://dspy.ai/api/optimizers/BetterTogether/) и [LeReT](https://github.com/sher222/LeReT) ([статья оптимизаторов](https://arxiv.org/abs/2410.23214)), а также архитектуры программ, такие как [STORM](https://github.com/stanford-oval/storm)[,](https://github.com/RafalWojciechRolsky/storm-llm?ysclid=mcvsygqnnt90736679) [IReRa](https://arxiv.org/html/2503.12989v1). Сам фреймворк особо не обновляется, но активно продолжается во многих проектах. А также создал новые готовые фреймворки:
- [EvoPrompt](https://arxiv.org/abs/2309.08532)
- [TextGrad](https://github.com/microsoft/TextGrad)
- [Expel](https://arxiv.org/abs/2308.10144)
- [Adalflow](https://github.com/SylphAI-Inc/AdalFlow)
- [opro](https://github.com/google-deepmind/opro)

**Немного о фреймворках-последователях:**
[APE Framework](https://github.com/weavel-ai/Ape) (создать первичный prompt) -  единоразово сгенерировать Prompt. Работает в режиме 2 LLM в кольце, пересобирает варианты для получения Топ-K вариантов. Из коробки содержит разные стратегии генерации Prompt. Помогает получить максимум качества на слабенькой модели и небольшом обучающем датасете. Работает только в узле Prompt, иногда в Few-Shots.

[Adalflow](https://github.com/SylphAI-Inc/AdalFlow) (добавить узлы, отладить вызовы ReAct) - подходит для отладки цепочки сообщений. Работает во всем пайплайне LLM оптимизации (prompt, few-shots, CoT, Tool-Call, Retreival). Выстраиваем всю цепочку обращений и с помощью переменных указываем что дорабатывать и отправляем на обучение. Результатом получаем прирост метрик (от 5 до 40% прирост). После обучения пайплайна получаете .ckpt файл (выичлительный граф) - сериализованный Python объект. Просто вызываете его и получаете ответ.

[Zenbase](https://github.com/zenbase-ai/core) (few-shots поверх prompt) - спин-офф стартап от создателей DSPY. Помогает выстроить Production Ready автоулучшение промтп. Помогает объединить наработки с APE и Adalflow с пользовательскими оценками. И дооптимизировать запросы, чтобы снизить стоимость, увеличить качество и персонализацию под запросы клиента. Например поверх AdalFlow выстраивает слой персонализации под клиента в онлайн-режиме на основе его прошлых обращений.

**К чему это все?**
Хочется решить задачу автоулучшение промтов, тк это одна из самых скучных и долгих задач в AI-разработке. Ты создал проект, настроил сценарии интеграции и дальше делаешь 100500 тестов, чтобы модель отвечала именно так как ты этого хочешь и выполняла те действия которые от нее ожидаются.