推荐这个，Simon Willison 用 AIE 大会上看到的 DSPy 方法论来优化 Datasette Agent 的 SQL prompt——而且直接用 Fable 5 跑了一个异步研究任务。整个过程是"如何用 AI 改善 AI 的提示词"的绝佳范例。 Simon Willison 一直被提醒 DSPy 可能帮上忙，AIE 大会上的 keynote 让他决定动手试试。 具体操作：给 Claude Code 里的 Fable 5 发了一个异步研究任务——"pip install 最新 Datasette alpha、datasette-agent 和 dspy——然后用 dspy 评估和改进 Datasette Agent 的 SQL 系统 prompt。"Fable 选了 GPT 4.1 mini 和 nano 做测试，找到了几个有希望的方向。 最有意思的发现：schema 列表只给表名；"如果已经有信息就别调 describe_table"的建议导致列名遗漏。DSPy 优化后的 prompt 把描述数据库的命令分解为更小的步骤，让 agent 先列出列和行数再做查询。 整个过程记录在 GitHub: simonw/research/tree/main/dspy-datasette-agent-prompts 来源：@simonw, 2026-07-02 #DSPy# #Prompt工程# #Agent#

斯坦福开源的这个怪物级项目，直接把大模型变成了普通函数调用！ 项目叫 DSPy，斯坦福 NLP 团队出品，纯纯的降维打击（MIT 协议开源）。它的核心玩法就一句：拒绝“提示”，直接“编程”。你只管用 Python 写清楚要啥输入和输出，它自己在底层跑实验找规律，全自动搓出最完美提示词。以前搞提示词靠玄学，现在全是科学。 干碎玄学调参：别再给大模型“画大饼”求它办事了，代码定义接口，框架自己写 Prompt。 一键无缝换模型：今天 GPT-4 明天换 Claude，代码一行不用动，它自动按新模型的胃口适配。 自带进化引擎：遇到边缘报错？喂几个成功案例，它像编译器一样跑测试，自己进化出最佳写法。 告别草台班子：AI 接入终于能做版本控制和单元测试了，再也不怕大模型暗改搞崩业务线。 🔗 GitHub：

🎯 嫌 litellm 太臃肿的看这个——litelm 只用大约 2900 行代码、两个依赖，就把调各家大模型这件事给包圆了。 它支持按「提供商/模型名」的写法一键路由到 19 个大模型平台，OpenAI、Anthropic、Groq、Mistral 这些都能直接调。 很多人用 litellm 是图它能统一各家 API，但那套东西越做越大，Router、代理服务器、缓存、成本统计全塞进来，大部分功能其实用不上。litelm 的思路是只留最常用的路由和消息格式转换，函数名、参数、返回值都跟 litellm 对齐，连异步版本都给你配齐，DSPy 里还能直接拿它替换。 代码本身是作者带着 Claude Code 一起写出来的，目前还在 Alpha 阶段，尝鲜可以，别急着上生产。 GitHub：

📚 刚发现一份 AI 工程转型的论文清单，从零到前沿的路线全给你排好了 GitHub 上 2.6K stars 写了几年后端想转 AI，最难的不是学不动，是不知道从哪学起。网上的资料要么是「三天精通大模型」这种速成课，要么直接甩你一篇 Transformer 原论文，中间那段路没人给你铺。 这份清单把中间那段补上了，按主题分层排：分词、向量化、基础设施、核心架构打底，往上是混合专家模型、RLHF、思维链和推理，最后是优化、蒸馏和状态空间模型。每一层给的都是原始论文和项目本体，BERT、TensorFlow、FAISS、Ray、FlashAttention、Mamba、CLIP、DSPy 和 Model Context Protocol 都在列，《Attention Is All You Need》《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》《Distilling the Knowledge in a Neural Network》这几篇奠基论文也标了出来。 除了论文还有实战部分：图像 Transformer、视频 Transformer、上下文工程和竞赛模型相关的研究，以及 Meta、OpenAI、Swiggy、Netflix 和 Uber 的真实系统案例，能看到这些东西在生产环境里是怎么用的。末尾还附了一门 AI Engineering 的视频课。 想清楚要学什么，比一头扎进去学得快。 GitHub：