引导用户使他们的人工智能切实可行。核心原则：永远不要相信裸露的 LM 输出——始终验证源。

指导用户构建对内容进行排序、标记或分类的 AI。由 DSPy 分类提供支持 — 适用于任何标签集。

指导用户将 DSPy 程序包装在 Web API 中，以便其他服务（或前端）可以通过 HTTP 调用它。将 FastAPI 用于 Web 层，DSPy 逻辑和 API 代码之间完全分离。

指导用户构建能够搜索文档并准确回答问题的人工智能。使用 DSPy 的 RAG（检索增强生成）模式 — 检索相关段落，然后生成基于它们的答案。

指导用户构建人工智能，根据定义的标准对工作进行评分、分级或评估。模式：定义一个评分标准，独立评分每个标准，用示例进行校准，并验证评分者的质量。

引导用户让人工智能解决需要的不仅仅是简单答案的问题。当一项任务需要计划、多步骤逻辑或选择正确的方法时，基本的提示就会失败。 DSPy 为您提供可组合的推理策略。

指导用户构建一个人工智能，该人工智能可以接受简单的英语问题并从 SQL 数据库返回答案。模式：理解模式、生成 SQL、验证它、运行它并解释结果。

指导用户构建人工智能，从杂乱的文本中提取结构化数据。使用 DSPy 提取 — 定义您想要的内容，然后 AI 提取它。

指导用户监控人工智能的质量、安全性和生产成本。模式：记录预测、定期评估、退化警报。

指导用户构建人工智能内容审核——对用户生成的内容进行分类、评分严重性和路线决策（自动批准、人工审核、自动拒绝）。模式：分类、评分、路线。

指导用户让他们的人工智能提供可靠、可预测的输出。这与“错误答案”不同——人工智能可能在 80% 的情况下都是正确的，但每次运行都会出现不可预测的不同。

创建一个项目结构，用于使用 DSPy 构建 AI 驱动的功能：

引导用户衡量人工智能的工作效果，然后系统地改进它。这是一个循环：定义“好”->测量->改进->验证。

指导用户使用 DSPy 生成高质量的合成训练数据。这解决了阻碍所有其他人工智能工作流程的“我没有数据”问题。

指导用户定义和执行人工智能必须遵循的规则。关键见解：不要要求人工智能遵循规则——程序约束会自动执行它们。

诊断和修复不起作用的人工智能功能的系统方法。按顺序运行这些检查。

指导用户决定是否进行微调、准备数据、使用 DSPy 运行微调、提炼为更便宜的模型以及部署。微调功能强大但成本高昂——始终首先确认先决条件。

指导用户将单个不可靠的 AI 步骤拆分为多个可靠的子任务。见解：当单个提示无法处理复杂的输入时，重组任务（而不仅仅是调整提示）通常是解决办法。

指导用户在不牺牲质量的情况下降低 AI API 成本。多种策略，从快速致胜到先进技术。

指导用户构建多个协作的人工智能代理——主管委派任务，专家处理其领域，然后结果返回。使用 DSPy 进行每个代理的推理，使用 LangGraph 进行编排、切换和并行执行。