DSPy：将声明式语言模型调用编译为先进任务流水线

基于摘要分析。该研究针对语言模型流水线依赖反复试错、硬编码提示模板的问题，提出 DSPy 编程模型，将语言模型调用组织为文本变换图，并通过编译器按指定任务指标优化流水线。其主要研究对象是语言模型程序的构建与优化，而非状态空间模型或 EEG/BCI 信号处理。 机制上，DSPy 用声明式模块表达语言模型调用，并将其置于命令式计算图中。模块具有可优化参数，用于学习如何组合提示、微调、增强与推理技术；编译器通过创建和收集示例来优化给定流水线。摘要未交代具体搜索策略、示例筛选规则、损失形式，以及各案例实际采用了哪些优化操作，这些内容尚未验证。 作者报告，在两个案例研究中，简洁的 DSPy 程序能够表达并优化涉及数学文字题推理、多跳检索、复杂问答及智能体循环控制的流水线。作者报告，经过数分钟编译后，面向 GPT-3.5 和 Llama2-13b-chat 的流水线优于开箱即用的少样本提示和专家构建的示例；在使用 770M 参数 T5 和 Llama2-13b-chat 的相关评估中，编译后的程序也可与多种依赖 GPT-3.5 等大型专有模型及专家编写提示链的方法竞争。摘要未提供具体数据集、划分、评价指标、分数、运行硬件或编译成本，因此这些定性结论尚不能用于量化比较，实验协议、消融及统计信息尚未验证。 摘要给出了 DSPy 的公开代码仓库，便于进一步核查实现；复现仍需确认论文对应版本、任务数据、模型调用配置、优化预算与基线设置。材料未建立文本程序优化与 EEG 低信噪比、跨被试或跨会话建模之间的具体机制对应关系，不据此推导 BCI 有效性；已有 EEG 相关工作尚未检索确认。