复合工程：将你的 Repo 转变为自我改进的 DSPy Agent

Source: Dev.to

超越单次 DSPy：复合式仓库级推理

我一直在尝试将 DSPy 用于一次性提示优化之外的场景。传统的 DSPy 在为孤立任务优化提示方面表现出色，但如果你的 AI 代理能够 从整个代码库中学习，并在多次迭代中不断改进呢？

这就是 复合工程（Compounding Engineering）：一个本地优先的 DSPy 代理，将任意 Git 仓库转化为持久学习环境。它执行 review → triage → plan → learn 循环，从你的代码、issue 和过去的优化中构建知识库。没有上下文窗口限制——改进会在会话之间累积。

核心创新

• 仓库即记忆 – 将完整代码库（Python、JS、配置等）索引到本地向量存储中。代理在 真实 项目上下文上进行推理，而非玩具示例。
• 复合循环 – 每次运行都会审查更改、分类问题、制定修复计划、通过 DSPy 程序执行，并学习——将成功/失败记录下来供下次使用。
• DSPy 原生 – 利用 DSPy 签名、优化器（BootstrapFewShot 等）和度量指标。可接入你的语言模型（OpenAI、本地模型 via Ollama）。
• 本地优先 – 使用 FAISS/Chroma 进行离线存储。无需云端依赖。

高层流程

git clone your-repo
ce init      # 索引仓库，设置 DSPy LM
ce run       # 完整循环：review → triage → plan → learn
ce optimize my_module.py  # 针对性优化

为什么这对 AI 工程师重要

• 长视野规划 – 能处理仓库级任务，例如“为安全性重构 auth 模块”，跨多个文件完成。
• 自我改进 – 度量指标跟踪进度；失败的计划会转化为 few‑shot 示例用于重试。
• 开源友好 – 将 Git、DSPy teleprompters 和自定义签名集成到现有工作流中。

快速开始

pip install dspy-compounding-engineering
git clone https://github.com/Strategic-Automation/dspy-compounding-engineering
cd dspy-compounding-engineering
ce init --lm openai/gpt-5.2   # 或你的本地 LM
ce run

完整文档和示例请参见 README。

参与方式

• ⭐ 给仓库加星，如果这点子激发了你的灵感！
• 提交 issue/PR，提出新功能（Rust 优化器？多仓库支持？）。
• 分享对代理工作流、长上下文推理或 DSPy 扩展的反馈。

由 Strategic Automation 构建——在规模上实现工程自动化。让我们一起复合前行！