DSPy 是一款开源项目：斯坦福开源的「编程而非提示」大模型框架。

当数据不能离开公司或个人设备时，就需要考虑自托管或开源路线。

先判断：它能不能自托管

它本身是开源项目，可以自托管：数据留在自己的机器上，但升级、安全补丁与故障排查都要团队自己承担。

决策要点

  • 数据敏感级别：只有内部公开信息时，云端服务通常更省事。
  • 团队是否有人负责运维和安全更新。
  • 硬件投入：本地运行模型需要显卡或较大的内存。
  • 效果差距：用自己的任务实测，不要只看榜单。

可以评估的开源方向包括：Browser Use、AutoGPT、Activepieces。它们与 DSPy 的能力并不完全等同，适合用来承接对数据要求最高的那部分任务。

用同一个任务做对比

竞品信息周报

准备材料：5 个竞品的公开网站或博客。

每周一自动抓取这些竞品页面的更新，让 AI 对比上周内容，输出「新增功能 / 价格页面变化 / 新发布文章」三段摘要，并附原始链接。

交付前确认：每条变化都附链接。

自托管上线清单

  • 固定版本号并记录配置。
  • 只在内网暴露服务或加上认证。
  • 设置日志与资源监控。
  • 订阅仓库的版本发布与安全公告。
  • 准备回滚方案。

补充练习

知识库问答机器人

适用情况：手头有一批产品文档和 FAQ 时。

用这些文档搭建问答机器人：回答只基于文档，找不到答案时回复「这个问题我需要转给同事」，并记录未解决问题供每周补充文档。

验收标准：答不出时不编造。

线索整理流程

准备材料：每天从表单收到的客户咨询。

搭建一个流程：新表单提交后，AI 判断咨询类型（报价 / 售后 / 合作 / 其他），提取联系人和需求摘要写入表格，报价类自动通知销售群。分类不确定时标记为「待人工」。

检查点：不确定的情况进入人工。

发票与单据提取

输入：一批 PDF 发票或收据。

从这些单据中提取开票日期、金额、销售方名称和税号，输出为表格；任何字段识别置信度低时留空并标红，不要猜测。

交付前确认：低置信度字段留空。

常见问题：智能体陷入循环

设置最大步数和超时，关键步骤改为固定工作流。

常见问题：输出格式不稳定

要求结构化输出并做格式校验，不合格时重试。

常见问题：费用超出预期

给每次运行设上限，监控调用次数，先用小模型处理简单步骤。

概念补充：触发器

启动流程的事件，如新邮件、定时、表单提交。

概念补充：可观测性

记录每一步输入输出与耗时，便于排查和评估。

适合人群：客服人员

客服人员可以用 DSPy 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

适合人群：财务人员

财务人员可以用 DSPy 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

注意事项

文中提示词和示例仅作示意，实际效果取决于你的材料和 DSPy 当前版本，重要内容请人工核对后再使用。

涉及个人信息、商业机密或受监管数据时，先确认 DSPy 的数据处理条款，再决定能否使用。

延伸阅读