「DSPy 3.0」を改めて試す ④Tutorials: Build AI Programs with DSPy

!pip install -U dspy
!pip show dspy

Name: dspy
Version: 3.0.3
Summary: DSPy
Home-page: https://github.com/stanfordnlp/dspy
Author: 
Author-email: Omar Khattab <okhattab@stanford.edu>
License: 
Location: /usr/local/lib/python3.12/dist-packages
Requires: anyio, asyncer, backoff, cachetools, cloudpickle, diskcache, gepa, joblib, json-repair, litellm, magicattr, numpy, openai, optuna, orjson, pydantic, regex, requests, rich, tenacity, tqdm, xxhash
Required-by: 

from google.colab import userdata
import os

os.environ['OPENAI_API_KEY'] = userdata.get('OPENAI_API_KEY')

import dspy

dspy.settings.configure(lm=dspy.LM("openai/gpt-4o-mini"))

class QA(dspy.Signature):
    question: str = dspy.InputField()
    history: dspy.History = dspy.InputField()
    answer: str = dspy.OutputField()

predict = dspy.Predict(QA)

# 会話履歴を初期化
history = dspy.History(messages=[])

print("会話を開始します。終了するときは、'quit' / 'q' を入力してください。")
while True:
    question = input("ユーザ:")
    if question in ["quit", "q", "終了"]:
        break
    # historyパラメータで会話履歴を有効化して推論
    outputs = predict(question=question, history=history)
    print(f"AI: {outputs.answer}\n")

    # このターンの入出力を会話履歴に保存
    history.messages.append({"question": question, **outputs})

会話を開始します。終了するときは、'quit' / 'q' を入力してください。
ユーザ:おはようございます。私の名前は太郎です。
AI: おはようございます、太郎さん！今日はどんなことをお話ししましょうか？

ユーザ:私の趣味は競馬なんですよ。
AI: 競馬が趣味なんですね！どのようなレースが好きですか？また、好きな馬や騎手はいますか？

ユーザ:私について教えて。
AI: あなたは競馬が趣味の太郎さんですね！競馬に興味を持っているということは、レースや馬についての知識が豊富かもしれません。どのようなことに特に興味がありますか？

ユーザ:quit

[2025-10-03T15:03:33.725531]

System message:

Your input fields are:
1. `question` (str): 
2. `history` (History):
Your output fields are:
1. `answer` (str):
All interactions will be structured in the following way, with the appropriate values filled in.

[[ ## question ## ]]
{question}

[[ ## history ## ]]
{history}

[[ ## answer ## ]]
{answer}

[[ ## completed ## ]]
In adhering to this structure, your objective is: 
        Given the fields `question`, `history`, produce the fields `answer`.


User message:

[[ ## question ## ]]
おはようございます。私の名前は太郎です。


Assistant message:

[[ ## answer ## ]]
おはようございます、太郎さん！今日はどんなことをお話ししましょうか？

[[ ## completed ## ]]


User message:

[[ ## question ## ]]
私の趣味は競馬なんですよ。


Assistant message:

[[ ## answer ## ]]
競馬が趣味なんですね！どのようなレースが好きですか？また、好きな馬や騎手はいますか？

[[ ## completed ## ]]


User message:

[[ ## question ## ]]
私について教えて。

Respond with the corresponding output fields, starting with the field `[[ ## answer ## ]]`, and then ending with the marker for `[[ ## completed ## ]]`.


Response:

[[ ## answer ## ]]
あなたは競馬が趣味の太郎さんですね！競馬に興味を持っているということは、レースや馬についての知識が豊富かもしれません。どのようなことに特に興味がありますか？

[[ ## completed ## ]]

import dspy
import mlflow

# トレーシングの設定（各環境ごとに適宜設定）
mlflow.set_tracking_uri("http://host.docker.internal:5000")
mlflow.set_experiment("DSPy")
mlflow.dspy.autolog()

dspy.settings.configure(lm=dspy.LM("openai/gpt-4o-mini"))

class QA(dspy.Signature):
    question: str = dspy.InputField()
    history: dspy.History = dspy.InputField()
    answer: str = dspy.OutputField()

predict = dspy.Predict(QA)

history = dspy.History(messages=[])

print("会話を開始します。終了するときは、'quit' / 'q' を入力してください。")
while True:
    question = input("ユーザ:")
    if question in ["quit", "q", "終了"]:
        break
    outputs = predict(question=question, history=history)
    print(f"AI: {outputs.answer}\n")

    history.messages.append({"question": question, **outputs})

会話を開始します。終了するときは、'quit' / 'q' を入力してください。
ユーザ: おはよう！私の名前は太郎です。
AI: おはよう、太郎さん！今日はどんなことを話しましょうか？

ユーザ: 私の趣味は競馬です。
AI: 競馬が趣味なんですね！どのレースや馬が特に好きですか？

ユーザ: 私について知ってることを教えて。
AI: あなたの名前は太郎さんで、趣味は競馬だということを知っています。他に何か教えてもらえますか？

ユーザ: q

import dspy

mlflow.set_tracking_uri("http://host.docker.internal:5000")
mlflow.set_experiment("DSPy")
mlflow.dspy.autolog()

dspy.settings.configure(lm=dspy.LM("openai/gpt-4o-mini"))

class QA(dspy.Signature):
    question: str = dspy.InputField()
    history: dspy.History = dspy.InputField()
    answer: str = dspy.OutputField()


predict = dspy.Predict(QA)
history = dspy.History(messages=[])

predict.demos.append(
    dspy.Example(
        question="フランスの首都は？",
        history=dspy.History(
            messages=[{"question": "ドイツの首都は？", "answer": "ドイツの首都はベルリンです。"}]
        ),
        answer="フランスの首都はパリです。",
    )
)

predict(question="日本の首都は？", history=dspy.History(messages=[]))
dspy.inspect_history()

predict.demos.append(
    dspy.Example(
        question="フランスの首都は？",
        history=dspy.History(
            messages=[{"question": "ドイツの首都は？", "answer": "ドイツの首都はベルリンです。"}]
        ),
        answer="フランスの首都はパリです。",
    )
)

[2025-10-03T16:03:41.040369]

System message:

Your input fields are:
1. `question` (str): 
2. `history` (History):
Your output fields are:
1. `answer` (str):
All interactions will be structured in the following way, with the appropriate values filled in.

[[ ## question ## ]]
{question}

[[ ## history ## ]]
{history}

[[ ## answer ## ]]
{answer}

[[ ## completed ## ]]
In adhering to this structure, your objective is: 
        Given the fields `question`, `history`, produce the fields `answer`.


User message:

[[ ## question ## ]]
フランスの首都は？

[[ ## history ## ]]
{"messages": [{"question": "ドイツの首都は？", "answer": "ドイツの首都はベルリンです。"}]}


Assistant message:

[[ ## answer ## ]]
フランスの首都はパリです。

[[ ## completed ## ]]


User message:

[[ ## question ## ]]
日本の首都は？

Respond with the corresponding output fields, starting with the field `[[ ## answer ## ]]`, and then ending with the marker for `[[ ## completed ## ]]`.


Response:

[[ ## answer ## ]]
日本の首都は東京です。

[[ ## completed ## ]]

User message:

[[ ## question ## ]]
フランスの首都は？

[[ ## history ## ]]
{"messages": [{"question": "ドイツの首都は？", "answer": "ドイツの首都はベルリンです。"}]}


Assistant message:

[[ ## answer ## ]]
フランスの首都はパリです。

[[ ## completed ## ]]

User message:

[[ ## question ## ]]
フランスの首都は？

[[ ## history ## ]]
{"messages": [{"question": "ドイツの首都は？", "answer": "ドイツの首都はベルリンです。"}]}