Building LLM Applications with DSPy
Serj Smorodinsky, Brett Kennedy
- Editorial
- Manning
- Año
- 2026
- Páginas
- ~296
- Nivel
- Intermedio
De qué trata
Manual exhaustivo elaborado por Serj Smorodinsky y Brett Kennedy que enseña a transicionar de la frágil e intuitiva ingeniería de prompts tradicional hacia una verdadera disciplina de ingeniería de software estructurada mediante DSPy (Declarative Self-improving Python), el framework de código abierto creado por Stanford NLP. Enfocado en Python y compatible tanto con modelos comerciales (OpenAI, Anthropic) como locales (vLLM, Ollama), el libro está dirigido a ingenieros de inteligencia artificial, científicos de datos y desarrolladores de software de nivel intermedio que ya han experimentado con llamadas a LLMs y buscan eliminar la fragilidad del ajuste manual de cadenas de texto en producción.
El núcleo temático aborda la filosofía de la programación declarativa de prompts tratando a los módulos de IA como clases y funciones deterministas. Se explican en detalle las firmas tipadas (dspy.Signature), los módulos de predicción y razonamiento (dspy.Predict, dspy.ChainOfThought), la creación de datasets de evaluación y el diseño de métricas personalizadas tanto cuantitativas como cualitativas (incluyendo patrones de LLM-as-a-judge). El libro profundiza de forma destacada en los optimizadores y compiladores automáticos de DSPy, tales como BootstrapFewShot, BootstrapFewShotWithRandomSearch y MIPROv2, enseñando a sintonizar automáticamente los mejores ejemplos (few-shot) y las instrucciones óptimas para resistir la deriva de los modelos de base y mejorar la exactitud global del sistema.
A través del desarrollo de casos de uso prácticos, se construyen clasificadores de intenciones de usuario sobre el dataset ATIS, sintetizadores de diálogos con calibración de métricas y un chatbot conversacional dotado de arquitectura RAG agentica con gestión de memoria y herramientas. La obra aporta una metodología rigurosa basada en el ciclo base-medición-optimización que transforma el desarrollo con LLMs en un proceso verificable, repetible y profesional. Deja de lado la teoría interna del entrenamiento de modelos fundacionales para concentrarse en la capa de orquestación y compilación de software, requiriendo familiaridad previa con Python asíncrono y conceptos generales de procesamiento del lenguaje natural.
- DSPy
- Programación de prompts
- Optimización de prompts
- RAG (Retrieval-Augmented Generation)
- LLM-as-a-judge
- MIPROv2
- BootstrapFewShot
- Firmas y módulos DSPy
- Agentes conversacionales
- Evaluación de LLMs
- Clasificación de intenciones
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Clasificador de intenciones optimizado con DSPy
Sistema de clasificación semántica basado en el dataset ATIS cuyas firmas y selecciones de ejemplos son optimizadas automáticamente por compiladores de DSPy para maximizar la precisión.
Pipeline de resumen textual con métricas LLM-as-a-judge
Módulo de síntesis de diálogos y documentos largos que evalúa y calibra la fidelidad del texto generado mediante funciones métricas basadas en modelos evaluadores.
Asistente conversacional con arquitectura RAG agentica
Chatbot avanzado que combina recuperación vectorial de contexto, llamadas a herramientas externas y optimización de instrucciones para mitigar alucinaciones y mantener el estado conversacional.
