tag prompt

Bu sayfada prompt etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

DSPy (Declarative Self-improving Python), Stanford Üniversitesi'nden Omar Khattab ve ekibinin 2023 yılında geliştirdiği açık kaynak bir Python çerçevesidir. Temel amacı, büyük dil modellerini (LLM) manuel prompt yazmak yerine programatik olarak yönetmek ve optimize etmektir. Geleneksel yaklaşımda bir geliştirici, modele verilen talimatları (prompt) elle yazarak deneme yanılma yöntemiyle iyileştirir; bu süreç hem zaman alıcı hem de kırılgandır. DSPy bu sorunu şöyle çözer: siz yalnızca giriş ve çıkış türlerini tanımlarsınız (Signature), DSPy ise eğitim verisi ve belirlediğiniz metrikten yola çıkarak en uygun prompt'u otomatik üretir. Çerçevenin üç temel yapı taşı vardır: Signature, Modül ve Optimizer. Signature, bir modülün ne alıp ne üreteceğini tanımlar; örneğin question -> answer ya da document -> summary gibi. Modül, ChainOfThought, ReAct veya Predict gibi gerçek LLM çağrısını yapan bileşenlerdir; Python sınıfları olarak tanımlanır ve birbirleriyle zincirlenerek karmaşık pipeline'lar oluşturulur. Optimizer (eski adı Teleprompter) ise eğitim verisi ve metrik bilgisini kullanarak tüm pipeline'ın prompt'larını ve az sayıda örneğini (few-shot) otomatik olarak iyileştirir. 2026 itibarıyla en yaygın kullanılan optimizer'lar BootstrapFewShot, MIPROv2 ve COPRO'dur. BootstrapFewShot hızlı başlangıç sunarken MIPROv2, hem talimatları hem de few-shot örnekleri aynı anda Bayes optimizasyonuyla optimize eder. DSPy özellikle RAG sistemleri, çok adımlı soru cevaplama ve özetleme görevlerinde güçlü sonuçlar üretmektedir. LangChain ve LlamaIndex gibi çerçeveler geliştiriciyi prompt şablonlarını elle yapılandırmaya yönlendirirken DSPy bir üst katmanda çalışarak bu prompt içeriğini veri odaklı biçimde otomatik iyileştirir; iki yaklaşım rakip değil tamamlayıcıdır ve DSPy bu çerçevelerle birlikte kullanılabilir. Fine-tuning model ağırlıklarını değiştirirken DSPy yalnızca prompt ve few-shot örnekleri optimize eder; bu nedenle çok daha hızlı, ucuz ve esnektir. GitHub'da 23.000'den fazla yıldızla aktif geliştirilen proje MIT lisansıyla sunulmaktadır.

code_blocks

DSPy (DSPy)

DSPy (Declarative Self-improving Python), Stanford Üniversitesi'nden Omar Khattab ve ekibinin 2023 yılında geliştirdiği açık kaynak bir Python çerçevesidir. Temel amacı, büyük dil modellerini (LLM) manuel prompt yazmak yerine programatik olarak yönetmek ve optimize etmektir. Geleneksel yaklaşımda bir geliştirici, modele verilen talimatları (prompt) elle yazarak deneme yanılma yöntemiyle iyileştirir; bu süreç hem zaman alıcı hem de kırılgandır. DSPy bu sorunu şöyle çözer: siz yalnızca giriş ve çıkış türlerini tanımlarsınız (Signature), DSPy ise eğitim verisi ve belirlediğiniz metrikten yola çıkarak en uygun prompt'u otomatik üretir. Çerçevenin üç temel yapı taşı vardır: Signature, Modül ve Optimizer. Signature, bir modülün ne alıp ne üreteceğini tanımlar; örneğin question -> answer ya da document -> summary gibi. Modül, ChainOfThought, ReAct veya Predict gibi gerçek LLM çağrısını yapan bileşenlerdir; Python sınıfları olarak tanımlanır ve birbirleriyle zincirlenerek karmaşık pipeline'lar oluşturulur. Optimizer (eski adı Teleprompter) ise eğitim verisi ve metrik bilgisini kullanarak tüm pipeline'ın prompt'larını ve az sayıda örneğini (few-shot) otomatik olarak iyileştirir. 2026 itibarıyla en yaygın kullanılan optimizer'lar BootstrapFewShot, MIPROv2 ve COPRO'dur. BootstrapFewShot hızlı başlangıç sunarken MIPROv2, hem talimatları hem de few-shot örnekleri aynı anda Bayes optimizasyonuyla optimize eder. DSPy özellikle RAG sistemleri, çok adımlı soru cevaplama ve özetleme görevlerinde güçlü sonuçlar üretmektedir. LangChain ve LlamaIndex gibi çerçeveler geliştiriciyi prompt şablonlarını elle yapılandırmaya yönlendirirken DSPy bir üst katmanda çalışarak bu prompt içeriğini veri odaklı biçimde otomatik iyileştirir; iki yaklaşım rakip değil tamamlayıcıdır ve DSPy bu çerçevelerle birlikte kullanılabilir. Fine-tuning model ağırlıklarını değiştirirken DSPy yalnızca prompt ve few-shot örnekleri optimize eder; bu nedenle çok daha hızlı, ucuz ve esnektir. GitHub'da 23.000'den fazla yıldızla aktif geliştirilen proje MIT lisansıyla sunulmaktadır.

arrow_forward