DSPy: programar en lugar de redactar prompts

El problema que DSPy quiere resolver

Al crear una aplicación con un gran modelo de lenguaje, es habitual pasar horas retocando prompts frágiles: cambia una frase o se actualiza el modelo y la calidad cae. DSPy, que nació en Stanford NLP a finales de 2022 y hoy desarrolla una amplia comunidad open source, propone otro camino: escribir código Python modular y dejar que unos algoritmos encuentren la mejor forma de dirigirse al modelo. Es una especie de ingeniería de prompts automatizada.

Tres nociones clave

• Las firmas (signatures): usted declara las entradas y salidas de un paso (por ejemplo, una incidencia de cliente como entrada; la urgencia y el equipo como salida) sin escribir el prompt.
• Los módulos: estrategias intercambiables para ejecutar una firma, como Predict (respuesta directa), ChainOfThought (razonamiento por cadena de pensamiento) o ReAct (razonamiento con herramientas).
• Los optimizadores: a partir de ejemplos y de una métrica, ajustan de forma automática las instrucciones y los ejemplos que recibe el modelo (MIPROv2, BootstrapFewShot, GEPA y otros) e incluso pueden afinar los pesos del modelo.

Usos habituales

DSPy se aplica tanto a un clasificador sencillo como a un pipeline RAG de varias etapas o a un ciclo de agente. Objetivos frecuentes: pasar a un modelo más barato sin perder calidad, hacer más fiable una extracción de información o mantener un sistema reproducible al cambiar de proveedor. Las llamadas a los modelos pasan por una capa compatible con muchos proveedores, lo que facilita esos cambios.

Cómo empezar

Se instala el paquete dspy con pip (Python 3.10 o superior), se configura el modelo que se va a usar y se escribe una primera firma que se ejecuta con un módulo. El siguiente paso es reunir un pequeño conjunto de ejemplos y una métrica para lanzar un optimizador. Los tutoriales oficiales siguen exactamente ese recorrido.

Puntos fuertes y límites

Puntos fuertes: enfoque riguroso y medible, independencia del modelo y base en trabajos de investigación publicados.

Límites: la curva de aprendizaje es real, porque hay que pensar en firmas y métricas; la optimización consume muchas llamadas al modelo; y DSPy no incluye interfaz, alojamiento ni orquestación multiagente lista para usar.

Alternativas

LangChain y LangGraph para orquestar agentes, Pydantic AI para salidas tipadas y Haystack para pipelines RAG en producción.