AI Engineer/2026年7月24日

将任务与模型分离的惊人有效性 — Maxime Rivest, DSPy

DSPyAI EngineeringSignature任务模型分离Maxime RivestAI工程

中文导读

DSPy核心贡献者Maxime Rivest在AI Engineer播客中深入讲解Signature概念：通过将任务定义为纯输入输出接口，实现模型无关的AI工程。节目还预览了DSPy 4.0中模型自动编写代码、程序从用户交互学习等新特性，展示了AI工程从提示词工程向更高抽象层演进的趋势。

核心观点

1.Signature将任务定义为输入输出接口，与具体模型解耦，使AI工程更灵活。（约 0:00）

2.DSPy 3.5支持在Signature下实验不同模型、设置、权重和模板，无需修改工作流。（约 5:00）

3.DSPy 4.0预览：模型可在Signature下自动编写代码，程序能从用户交互中学习。（约 10:00）

4.该方法在工具、RLM和Skill等新范式下依然有效，是AI工程的重要抽象。（约 15:00）

中文精读

在AI工程领域，DSPy提出的Signature概念正引发关注。核心思想很简单：声明任务的输入和输出，而不预先考虑模型能力，从而为后续执行创造空间。这种分离使得底层实现变得灵活——可以自由实验不同模型、设置、权重、模板和输出格式，而无需触及工作流。

本期节目由DSPy核心贡献者Maxime Rivest主讲，他详细阐述了Signature为何在工具、RLM和Skill等新范式下依然有效。他指出，AI工程应该发生在特定的提示模板或供应商API之上，即Signature层。这种抽象让开发者能够专注于任务本身，而非底层模型细节。

节目还预览了DSPy 4.0的新特性：模型可以在Signature下自动编写代码，程序能够直接从与用户的交互中学习，同时仍然尊重Signature的输入输出约束。这意味着AI系统可以更智能地适应任务需求，而无需人工反复调整提示。

对于中文AI/科技读者，这一思路极具参考价值。当前行业过度关注提示词工程和模型选择，而Signature提供了一种更系统化的工程方法。它帮助团队将任务逻辑与模型实现解耦，提升系统的可维护性和可扩展性。

此外，DSPy的开源生态和活跃社区（如cmpnd公司）也值得关注。随着AI工程从实验走向生产，这种抽象层可能成为标准实践。