3.3 Teleprompter：编译策略的前身

3.3 Teleprompter：编译策略的前身

本节摘要：Teleprompter（遥提示器）是 DSPy 优化器的直系祖先：v2.0 之前所有"把提示词调好"的自动化策略都挂在这个名字下。本节从它的命名隐喻讲起，还原早期 Teleprompter 家族的自举思想，并解释这次更名为什么被视为范式自我确认的标志事件。理解它，就理解了 DSPy 编译器设计的原始动机。

从 Teleprompter 到 Optimizer 的改名现场

Teleprompter 本义是"提词器"——演讲者看不到讲稿时，提词器把要点递到他眼前。早期 DSPy 用这个词命名"指导语言模型如何完成任务"的策略集合：策略不直接替模型干活，而是在幕后把示范、指令、输出解析规则适时递给模型。这个隐喻的潜台词是：主导权仍在使用者的手上，策略只是放大手艺的工具。随着自举与联合搜索策略的成熟，社区意识到事情变了——策略不再只是"递要点"，而是在目标函数的引导下自主探索提示词空间，这与深度学习里的"优化器"（optimizer）角色完全同构。于是 v2.0 把 dspy.teleprompt.* 整体更名为 dspy.teleprompt 命名空间下的 Optimizer 家族，旧类名陆续废弃。改名是范式自我确认：从"给人递词"到"替人搜索"，责任主体换位了。

对读者的实际意义是阅读存量资料时的翻译能力：2023 年及更早的教程、论文、issue 里出现 Teleprompter 的地方，按 Optimizer 理解即可；一些概念（teleprompter.compile 之类调用形态）在两代之间只有命名差异，机制是一脉相承的。

自举思想的最初形态

早期 Teleprompter 家族贡献了 DSPy 编译思想的核心机制——自举（bootstrap）。它的逻辑可以用一句话概括：让程序自己跑训练集，跑得好的中间轨迹回收为示范。展开是三步：第一步，用当前（未优化的）程序对训练集逐条推理，记录每一步的完整轨迹；第二步，用指标逐条验收，答案不对的轨迹丢弃，对的保留；第三步，把保留下来的轨迹按签名拆开，变成各个预测器的少样本示范，注回程序。此时程序再跑同样的输入，提示词里已经带上了"自己产出的高质量范例"。

这个机制的巧妙之处在于它只需要极少的人工标注：人只提供"问题加最终答案"，中间步骤的示范由程序自己生成、指标自己把关。手工时代"攒示例全凭直觉"的问题，被转化成了"用指标筛选自己的输出"。当然，自举不是万灵药——如果程序的零样本能力太弱，训练集上几乎跑不出合格轨迹，自举就没有原料；如果指标把关不严，错误轨迹混进示范集，模型会把错误模式一并学走。这两个边界条件在 4.4 节讲 BootstrapFewShot 时还会量化展开。

家族初代成员与它们的分工

初代家族按"自动化程度"大致分三档，先看对比表再展开：

最朴素的一档是标注搬运：直接把人工标注的问答对按签名格式化成示范，不加任何生成，适合数据充足、任务简单的场景，成本几乎为零。中间一档是上文的自举路线：程序自跑、指标过滤、回收示范，这是 DSPy 的招牌机制，后续几乎所有优化器都以它为地基。最激进的一档在自举之外叠加了搜索：生成多个候选程序（不同的示范组合、不同的措辞），在验证集上打分，保留最优者——这一档雏形后来演化成 BootstrapFewShotWithRandomSearch 与 MIPRO 系列，是第 4 章的主角。

初代自举策略的调用形态与今天几乎一致，只是类名带着旧命名：

# 早期命名下的编译调用（示意，类名以旧版资料为准）
from dspy.teleprompt import BootstrapFewShot  # 旧资料常写作 teleprompt 模块下的策略类

teleprompter = BootstrapFewShot(metric=my_metric, max_bootstrapped_demos=3)
compiled = teleprompter.compile(my_program, trainset=my_trainset)
​

值得记录的一段弯路是早期版本里出现过的梯度式提示词优化尝试（把提示词当连续向量做梯度更新的思路）。这类方案最终没有成为主线——提示词是离散文本，梯度路径与最终解码行为之间隔着采样过程，优化信号失真严重。这段弯路反向印证了 DSPy 主线选择的正确：在离散文本空间里，"生成-评估-选择"的无梯度搜索比"伪梯度"更稳。这个判断后来被 MIPRO 系列的实测结果反复确认。

给历史一个定位

Teleprompter 这段历史常被新教程一笔带过，但它是理解 DSPy 演化逻辑的关键标本：它展示了"提示词自动化"如何从辅助工具（递要点）演化为自主系统（搜索与优化），也展示了框架如何用一次更名完成范式宣言。你在第 4 章会看到，后续所有编译器的进化——更大的搜索空间、更聪明的提案模型、更精细的预算控制——都是在初代家族奠定的"自举加搜索"骨架上添砖。命名会过时，骨架不会。

补一个阅读存量资料时的实操提醒：旧命名时代的代码样例，除了类名与模块路径需要翻译，编译调用的形态（compile 传入程序与训练集）、指标的签名约定、示范的字段结构都与今天一致。真正需要警惕的是旧资料里那些"当时的最佳实践"——比如早期流行过的把大量格式规则写进签名的做法，在今天的类型注解与断言机制下已有更好的归宿。读历史资料的正确姿势因此是分层：机制层照收（大多未变），实践层校对（多数已更新）。这也是演化视角读法的又一次兑现——知道每个设计从哪来，才知道它在今天该放哪去。

本节要点回顾

• 命名即范式：提词器隐喻对应"人主导、工具放大"，优化器命名对应"算法主导、目标函数驱动"，v2.0 更名是分水岭。
• 自举三步：自跑轨迹、指标验收、回收示范；它把"攒示例的直觉"转化为"用指标筛选自身输出"。
• 自举的边界：零样本太弱则无原料，指标太松则示范带毒；两个边界都预示了后续编译器的改进方向。
• 弯路的教训：对离散文本做伪梯度更新被实测淘汰，"生成-评估-选择"的无梯度路线成为主线。
• 通向下一节：家族已就位，接下来把整个优化器家族摊开做一次系统对比——那就是 3.4 的选型矩阵。