DSPy

IA Générative

Programmez vos LLMs au lieu de les prompter — le framework Python pour les pipelines IA robustes

Tarif

Gratuit (open source).

Open sourceFree tierAvancé

Présentation

DSPy (Declarative Self-improving Language Programs in Python) est un framework de Stanford qui permet de construire des pipelines LLM de façon programmatique et optimisable. Au lieu d'écrire des prompts manuels fragiles, vous définissez des modules et des métriques d'évaluation. DSPy optimise automatiquement les prompts et les few-shot examples pour maximiser vos métriques. Il résout le problème des prompts qui cassent quand on change de modèle LLM.

Fonctionnalités clés

✓Signatures déclaratives (input/output typés)

✓Modules composables (Predict, ChainOfThought, ReAct)

✓Optimiseurs automatiques (BootstrapFewShot, MIPRO)

✓Evaluation intégrée avec métriques customisables

✓Compatibilité multi-LLM (OpenAI, Anthropic, Ollama)

✓Assertions pour la validation des sorties

✓Teleprompt pour le fine-tuning de petits modèles

Cas d'usage

RAG optimisé automatiquement

DSPy optimise automatiquement les prompts d'un pipeline RAG (query rewriting + réponse) sur un dataset de 200 paires QA. Amélioration de 18% de la précision sans modification manuelle.

✓ Points forts

+Pipelines LLM maintenables et versionnables comme du code

+Optimisation automatique des prompts (meilleurs résultats sans effort)

+Portabilité entre LLMs : changer de modèle sans tout réécrire

+Evaluation rigoureuse intégrée

✗ Limites

−Courbe d'apprentissage élevée (paradigme très différent du prompting classique)

−Documentation encore en maturation

−Debug plus complexe que LangChain pour les débutants

⚠️ Pièges connus en production

1.L'optimisation DSPy nécessite un dataset d'exemples annotés — investir dans la création d'un benchmark d'évaluation avant tout.

2.Les optimiseurs consomment beaucoup de tokens LLM — prévoir un budget API significatif pour les phases d'optimisation.

✓ Fait pour vous si…

Ingénieurs cherchant à construire des pipelines LLM robustes, testables et optimisables automatiquement en production.

✗ Pas fait pour vous si…

Prototypage rapide ou cas d'usage simples (un seul appel LLM).

llmframeworkoptimizationopen-sourceresearch