最佳化點樣運作

Skynet 就係 Optimize Anything：一個產品，用你嘅數據同指標去改良任何成品。每次運行都用同一份運行合約同同一份指標合約。成品類型決定邊啲引擎可以處理佢。

共用合約

每次運行都有兩個檔案。run.py 喺一個案例上運行成品。metric.py 幫輸出評分。

from skynet import llm


def run(artifact, input):
    return llm(artifact, input=input)

def score(input, output, expected=None):
    ok = output == expected
    return (1.0 if ok else 0.0), {"feedback": "Match." if ok else "No match."}

• artifact 係優化器提出嘅當前版本。
• input 係一個 dict，裝住一個案例嘅輸入欄位。
• expected 係案例嘅預期值；如果案例冇預期值，就係 None。
• score 回傳一對值：一個數字，同一個包含 "feedback" 字串嘅 dict。

skynet 輔助模組提供 llm、Image 同 log。由運行程式碼呼叫 llm，會去任務模型。由指標呼叫 llm，會去指標模型。

完整嘅指標合約，請睇 指標同評分器。

成品類型同引擎

引擎分兩大類：

• 原生引擎 將成品當做黑盒處理。佢哋用喺提示詞、程式碼同文字成品上。
• DSPy 優化器 喺 DSPy 程式入面運作。佢哋只用喺 DSPy 程式成品上。

DSPy MIPROv2 同 DSPy BootstrapFewShot 需要成對數據（有預期輸出嘅案例）。如果得單一輸入，DSPy 程式只可以用 Auto 同 DSPy GEPA。

提示詞、程式碼同文字成品

原生引擎將成品當做黑盒處理。引擎會提出一個新版本，喺案例上運行 run(artifact, input)，再讀取分數同回饋。

六個原生引擎用唔同嘅搜尋方法：

• GEPA 透過反思去演化版本，並保留一個 Pareto 前沿。
• Best-of-N 叫反思模型提出獨立嘅提案，然後保留最好嗰個。
• AutoResearch、Meta-Harness、AutoSaddler 同 ShinkaEvolve 用編程代理去提出版本。

每個引擎同佢嘅設定，請睇 引擎。

DSPy 程式成品

DSPy 程式係一種成品類型。你嘅 run.py 喺模組層級建立一個 dspy.Module，再喺 run 入面呼叫佢。如果檔案有多過一個模組，就將要最佳化嗰個命名為 program。

DSPy 優化器運行時會發生乜事：

1. Skynet 搵到你嘅模組，再用你嘅 run 函數包住佢。每個案例都會經過你自己嘅 run。
2. DSPy 優化器喺訓練案例上編譯個程式。
3. 佢喺驗證案例上揀選。
4. 勝出者係每個預測器嘅指令文字，加上模組完整嘅編譯狀態。呢個狀態包括 few-shot 示範。

最終分數量度嘅，就係 Skynet 儲存嗰個程式。

DSPy BootstrapFewShot 唔用反思模型。

Auto

Auto 係精靈入面嘅預設選擇。

• 喺提示詞、程式碼或者文字成品上，Auto 會用五個原生引擎探索，然後由最佳版本開始用 GEPA 繼續。
• 喺 DSPy 程式上，Auto 運行 DSPy GEPA。

兩種形式嘅 Auto 都會讀你指標嘅回饋文字。

揀邊個引擎

相關頁面

• 引擎
• 數據集同分割
• 指標同評分器
• 用精靈開始運行