「DSPy 3.0」を改めて試す ②Learning DSPy: DSPy Programming

!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: 

import dspy
from google.colab import userdata

lm = dspy.LM("openai/gpt-4o-mini", api_key=userdata.get('OPENAI_API_KEY'))
dspy.configure(lm=lm)

import dspy
from google.colab import userdata

lm = dspy.LM('gemini/gemini-2.5-pro-preview-03-25', api_key=userdata.get('GEMINI_API_KEY'))
dspy.configure(lm=lm)

# １つ上で定義したLLMを使用
lm("競馬の魅力を、簡潔に5つリストアップして", temperature=0.7)

['1. **スリルと興奮**: レースの瞬間に感じる緊張感と興奮は、観客を魅了します。\n2. **戦略性**: 馬や騎手、コース条件を考慮した予想や賭けが求められ、知恵を絞る楽しさがあります。\n3. **美しい馬たち**: 魅力的な馬たちの走りや姿は、多くの人々を惹きつける要素です。\n4. **コミュニティ**: 競馬ファン同士の交流や情報交換があり、共通の趣味を持つ仲間と楽しむことができます。\n5. **伝統と歴史**: 競馬は長い歴史を持ち、その伝統を感じながら楽しむことができます。']

lm(messages=[{"role": "user", "content": "競馬の魅力を、簡潔に5つリストアップして"}])

['競馬の魅力を以下の5つにまとめました：\n\n1. **スリルと興奮**: レースの結果が瞬時に決まるため、観戦中の緊張感と興奮が楽しめる。\n2. **戦略性**: 馬や騎手の特性、コースの条件を考慮した予想や賭け方が求められ、知的な楽しみがある。\n3. **多様な楽しみ方**: 観戦だけでなく、馬券を購入することで自分の予想を試す楽しみがある。\n4. **社交的な要素**: 友人や家族と一緒に観戦したり、競馬場でのイベントを楽しむことで、コミュニケーションの場が広がる。\n5. **美しい馬たち**: 魅力的な馬の姿や走りを間近で見ることができ、その美しさに感動することができる。']

# モジュール（ChainOfThought）を定義して、シグネチャ（質問を入力したら、回答が出力される）をアサイン
qa = dspy.ChainOfThought('question -> answer')

# `dspy.configure` で定義した言語モデルを使って実行
response = qa(question="競馬の魅力を、簡潔に5つリストアップして")
print(response.answer)

1. スリルと興奮
2. 馬の美しさと力強さ
3. 社交的なイベント
4. 予想や戦略の楽しさ
5. 歴史的・文化的な背景

import dspy
from google.colab import userdata
import os

os.environ['OPENAI_API_KEY'] = userdata.get('OPENAI_API_KEY')
qa = dspy.ChainOfThought('question -> answer')

# グローバルにLLMを設定
dspy.configure(lm=dspy.LM('openai/gpt-4o-mini'))
response = qa(question="競馬の魅力を、簡潔に5つリストアップして")
print('GPT-4o-mini:', response.answer)

# ブロックで変更
with dspy.context(lm=dspy.LM('openai/gpt-4.1-nano')):
    response = qa(question="競馬の魅力を、簡潔に5つリストアップして")
    print('GPT-4.1-nano:', response.answer)

GPT-4o-mini: 1. スリルと興奮
2. 馬の美しさと力強さ
3. 社交的なイベント
4. 予想や戦略の楽しさ
5. 歴史的・文化的な背景
GPT-4.1-nano: 1. スリルと興奮を味わえる臨場感
2. 馬の美しさと力強さ
3. レースの戦略性と予想の楽しさ
4. 長い歴史と伝統に裏打ちされた文化
5. ファン同士の交流や熱狂的なコミュニティ

gpt_4o_mini = dspy.LM(
    'openai/gpt-4o-mini',
    temperature=0.9,
    max_tokens=3000,
    stop=None,
    cache=False
)

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

for i in range(4):
    response = lm("競馬の魅力を、簡潔に5つリストアップ。", temperature=0.7)
    print(f"===== {i} =====")
    print(response[0])

===== 0 =====
1. **予測と戦略**: 馬の能力や騎手の技術を分析し、レース結果を予測する楽しさ。
2. **ドラマと興奮**: レース中の緊張感や予想外の展開が生む興奮。
3. **社交性**: 同じ趣味を持つ人々との交流やコミュニティの形成。
4. **歴史と伝統**: 長い歴史を持つスポーツで、伝統や文化が色濃く残る。
5. **賞金とリターン**: 賭けによって得られる可能性のあるリターンや賞金の魅力。
===== 1 =====
1. **予測と戦略**: 馬の能力や騎手の技術を分析し、レース結果を予測する楽しさ。
2. **ドラマと興奮**: レース中の緊張感や予想外の展開が生む興奮。
3. **社交性**: 同じ趣味を持つ人々との交流やコミュニティの形成。
4. **歴史と伝統**: 長い歴史を持つスポーツで、伝統や文化が色濃く残る。
5. **賞金とリターン**: 賭けによって得られる可能性のあるリターンや賞金の魅力。
===== 2 =====
1. **予測と戦略**: 馬の能力や騎手の技術を分析し、レース結果を予測する楽しさ。
2. **ドラマと興奮**: レース中の緊張感や予想外の展開が生む興奮。
3. **社交性**: 同じ趣味を持つ人々との交流やコミュニティの形成。
4. **歴史と伝統**: 長い歴史を持つスポーツで、伝統や文化が色濃く残る。
5. **賞金とリターン**: 賭けによって得られる可能性のあるリターンや賞金の魅力。
===== 3 =====
1. **予測と戦略**: 馬の能力や騎手の技術を分析し、レース結果を予測する楽しさ。
2. **ドラマと興奮**: レース中の緊張感や予想外の展開が生む興奮。
3. **社交性**: 同じ趣味を持つ人々との交流やコミュニティの形成。
4. **歴史と伝統**: 長い歴史を持つスポーツで、伝統や文化が色濃く残る。
5. **賞金とリターン**: 賭けによって得られる可能性のあるリターンや賞金の魅力。

lm = dspy.LM("openai/gpt-4o-mini", cache=False)

for i in range(4):
    response = lm("競馬の魅力を、簡潔に5つリストアップ。", temperature=0.7)  # こちらに指定することも可能
    print(f"===== {i} =====")
    print(response[0])

===== 0 =====
1. **スリルと興奮**: レースの結果が瞬時に決まるため、観戦中の緊張感と興奮が楽しめる。
2. **戦略と予想**: 馬や騎手、コースの特性を考えながら予想を立てる楽しみがある。
3. **多様な要素**: 馬の血統、トレーニング、天候など、さまざまな要素がレース結果に影響を与える。
4. **コミュニティと交流**: 同じ趣味を持つ人々との交流や情報交換ができる。
5. **歴史と伝統**: 日本や世界各国で長い歴史を持ち、文化的な背景が豊かである。
===== 1 =====
競馬の魅力を以下に5つ挙げます。

1. **スリルと興奮**: 競馬はレースの結果が瞬時に決まるため、観戦する際の緊張感と興奮が魅力です。

2. **戦略性**: 馬の選び方や賭け方に戦略が必要で、自分の判断力を試せる楽しさがあります。

3. **多様なイベント**: 国内外で様々な競馬イベントが開催され、地域ごとの特色を楽しむことができます。

4. **馬との絆**: 飼育やトレーニングを通じて、馬との関係性を深めることができる点も魅力です。

5. **社会的交流**: 競馬場やオンラインでの賭けを通じて、他のファンと交流し、共通の趣味を楽しむことができます。
===== 2 =====
競馬の魅力を以下の5つにまとめました。

1. **戦略性**: 馬の能力や騎手の技術、レースの展開を考慮した戦略を練る楽しさ。
2. **興奮とスリル**: レースの瞬間に感じる高揚感や予測不能な結果がもたらすスリル。
3. **多様な楽しみ方**: 単勝や複勝、馬連など、さまざまな賭け方が楽しめる。
4. **馬や騎手への愛着**: 特定の馬や騎手を応援することで生まれる感情的なつながり。
5. **社交の場**: 競馬場やオンラインでの交流を通じて、仲間や友人と楽しむことができる。
===== 3 =====
競馬の魅力を簡潔に5つリストアップします。

1. **興奮とスリル**: レースの展開や結果に予測がつかないため、観戦中のドキドキ感が楽しめる。
2. **戦略と分析**: 馬や騎手、コンディションなどを分析し、予想を立てる楽しさがある。
3. **多様な楽しみ方**: ベットや観戦、馬の育成や調教など、多様な楽しみ方ができる。
4. **コミュニティの形成**: 競馬ファン同士の交流や情報共有を通じて、共通の趣味を楽しむことができる。
5. **歴史と伝統**: 長い歴史を持つスポーツであり、伝統的なイベントや祭典が多く、文化的な側面も楽しめる。

%%time
for i in range(4):
    response = lm("競馬の魅力を、簡潔に5つリストアップ。", temperature=0.7, rollout_id=i)
    print(f"===== {i} =====")
    print(response[0])

===== 0 =====
1. **予想の楽しみ**: 馬や騎手、コースの状況を考慮しながら、自分なりの予想を立てる楽しさ。
2. **スリルと興奮**: レースの瞬間には高揚感があり、結果がどうなるかの緊張感を味わえる。
3. **社交的な楽しみ**: 友人や家族と一緒に観戦・応援することで、共有する喜びや会話が生まれる。
4. **戦略性**: 賭け方や資金管理の戦略を考えることで、知的な挑戦を楽しむことができる。
5. **馬の美しさ**: 馬自体の優雅さや力強さに魅了される、スポーツとしての美的要素。
===== 1 =====
1. **スリルと興奮**: レースの結果は予測が難しく、瞬間的な興奮を楽しめます。
2. **戦略性**: 馬の能力や騎手の技術、コースの特性を考慮した予想が必要で、知識を活かせます。
3. **社交的な楽しみ**: 友人や家族と一緒に観戦することで、コミュニケーションの場になります。
4. **美しい馬たち**: 馬の優雅さや魅力を間近で見ることができ、愛好家にとっては大きな魅力です。
5. **多様な賭け方**: 単勝、複勝、三連単など多様な賭け方があり、自分のスタイルに合わせて楽しむことができます。
===== 2 =====
競馬の魅力を以下に5つ挙げます。

1. **スリルと興奮**: レースの結果は予測困難で、瞬時の判断が求められるため、観戦時の緊張感と興奮が楽しめます。

2. **戦略性**: 馬や騎手、コースの特性を考慮した賭け方や予想が必要で、知識と戦略を駆使する楽しさがあります。

3. **美しい馬たち**: 競走馬は美しく、力強い走りを見せるため、その姿やパフォーマンスを楽しむことができます。

4. **社会的交流**: 競馬場やイベントでの観戦を通じて、他のファンや友人と共に楽しむことができ、交流の場となります。

5. **歴史と文化**: 競馬は長い歴史を持ち、各地で独自の文化や伝統が形成されているため、学ぶ楽しみもあります。
===== 3 =====
1. **スリルと興奮**: レースの予測や結果に伴うドキドキ感が楽しめる。
2. **戦略と分析**: 馬の能力や騎手の技術を考慮して賭ける戦略が醍醐味。
3. **コミュニティ**: 同じ趣味を持つ仲間との交流が楽しめる。
4. **美しい馬たち**: 競馬を通して見る優雅で力強い馬の姿。
5. **歴史と伝統**: 長い歴史を持つスポーツで、文化的な側面も楽しめる。
CPU times: user 643 ms, sys: 2.8 ms, total: 646 ms
Wall time: 14.9 s

===== 0 =====
1. **予想の楽しみ**: 馬や騎手、コースの状況を考慮しながら、自分なりの予想を立てる楽しさ。
2. **スリルと興奮**: レースの瞬間には高揚感があり、結果がどうなるかの緊張感を味わえる。
3. **社交的な楽しみ**: 友人や家族と一緒に観戦・応援することで、共有する喜びや会話が生まれる。
4. **戦略性**: 賭け方や資金管理の戦略を考えることで、知的な挑戦を楽しむことができる。
5. **馬の美しさ**: 馬自体の優雅さや力強さに魅了される、スポーツとしての美的要素。
===== 1 =====
1. **スリルと興奮**: レースの結果は予測が難しく、瞬間的な興奮を楽しめます。
2. **戦略性**: 馬の能力や騎手の技術、コースの特性を考慮した予想が必要で、知識を活かせます。
3. **社交的な楽しみ**: 友人や家族と一緒に観戦することで、コミュニケーションの場になります。
4. **美しい馬たち**: 馬の優雅さや魅力を間近で見ることができ、愛好家にとっては大きな魅力です。
5. **多様な賭け方**: 単勝、複勝、三連単など多様な賭け方があり、自分のスタイルに合わせて楽しむことができます。
===== 2 =====
競馬の魅力を以下に5つ挙げます。

1. **スリルと興奮**: レースの結果は予測困難で、瞬時の判断が求められるため、観戦時の緊張感と興奮が楽しめます。

2. **戦略性**: 馬や騎手、コースの特性を考慮した賭け方や予想が必要で、知識と戦略を駆使する楽しさがあります。

3. **美しい馬たち**: 競走馬は美しく、力強い走りを見せるため、その姿やパフォーマンスを楽しむことができます。

4. **社会的交流**: 競馬場やイベントでの観戦を通じて、他のファンや友人と共に楽しむことができ、交流の場となります。

5. **歴史と文化**: 競馬は長い歴史を持ち、各地で独自の文化や伝統が形成されているため、学ぶ楽しみもあります。
===== 3 =====
1. **スリルと興奮**: レースの予測や結果に伴うドキドキ感が楽しめる。
2. **戦略と分析**: 馬の能力や騎手の技術を考慮して賭ける戦略が醍醐味。
3. **コミュニティ**: 同じ趣味を持つ仲間との交流が楽しめる。
4. **美しい馬たち**: 競馬を通して見る優雅で力強い馬の姿。
5. **歴史と伝統**: 長い歴史を持つスポーツで、文化的な側面も楽しめる。
CPU times: user 2.49 ms, sys: 0 ns, total: 2.49 ms
Wall time: 2.42 ms

for i in range(4):
    predict = dspy.Predict('question -> answer', rollout_id=1, temperature=0.7)
    response = predict(question="競馬の魅力を、簡潔に5つリストアップして")
    print(f"===== {i} =====")
    print(response.answer)

===== 0 =====
1. スリルと興奮: レースの結果が予測できないため、観戦中の緊張感が楽しめる。
2. 多様な馬と騎手: さまざまな個性豊かな馬や騎手が競い合うため、ファンの応援が盛り上がる。
3. 賭けの楽しみ: 自分の予想をもとに賭けることで、レースの結果に対する興味が増す。
4. 社交的なイベント: 競馬場での観戦は友人や家族と楽しむ機会を提供する。
5. 競走馬の魅力: 美しい馬体や走りを間近で観ることができ、その魅力に引き込まれる。
===== 1 =====
1. スリルと興奮: レースの結果が予測できないため、観戦中の緊張感が楽しめる。
2. 多様な馬と騎手: さまざまな個性豊かな馬や騎手が競い合うため、ファンの応援が盛り上がる。
3. 賭けの楽しみ: 自分の予想をもとに賭けることで、レースの結果に対する興味が増す。
4. 社交的なイベント: 競馬場での観戦は友人や家族と楽しむ機会を提供する。
5. 競走馬の魅力: 美しい馬体や走りを間近で観ることができ、その魅力に引き込まれる。
===== 2 =====
1. スリルと興奮: レースの結果が予測できないため、観戦中の緊張感が楽しめる。
2. 多様な馬と騎手: さまざまな個性豊かな馬や騎手が競い合うため、ファンの応援が盛り上がる。
3. 賭けの楽しみ: 自分の予想をもとに賭けることで、レースの結果に対する興味が増す。
4. 社交的なイベント: 競馬場での観戦は友人や家族と楽しむ機会を提供する。
5. 競走馬の魅力: 美しい馬体や走りを間近で観ることができ、その魅力に引き込まれる。
===== 3 =====
1. スリルと興奮: レースの結果が予測できないため、観戦中の緊張感が楽しめる。
2. 多様な馬と騎手: さまざまな個性豊かな馬や騎手が競い合うため、ファンの応援が盛り上がる。
3. 賭けの楽しみ: 自分の予想をもとに賭けることで、レースの結果に対する興味が増す。
4. 社交的なイベント: 競馬場での観戦は友人や家族と楽しむ機会を提供する。
5. 競走馬の魅力: 美しい馬体や走りを間近で観ることができ、その魅力に引き込まれる。

for i in range(4):
    predict = dspy.Predict('question -> answer')
    response = predict(
        question="競馬の魅力を、簡潔に5つリストアップしてください。",
        config={"rollout_id": 1, "temperature": 0.7}
    )
    print(f"===== {i} =====")
    print(response.answer)

===== 0 =====
1. スリルと興奮：レースの結果が瞬時に決まるため、観戦や賭けにおいて大きな緊張感が味わえる。
2. 戦略性：馬や騎手のパフォーマンス、レース条件を考慮して賭ける戦略を立てる楽しさがある。
3. 多様性：多くの競馬場やレースがあり、様々な楽しみ方ができる。
4. 社交性：競馬場での観戦やイベントを通じて、他のファンや友人と交流できる機会がある。
5. 馬への愛情：美しい馬たちを間近で見ることができ、彼らに対する愛着や感動を感じられる。
===== 1 =====
1. スリルと興奮：レースの結果が瞬時に決まるため、観戦や賭けにおいて大きな緊張感が味わえる。
2. 戦略性：馬や騎手のパフォーマンス、レース条件を考慮して賭ける戦略を立てる楽しさがある。
3. 多様性：多くの競馬場やレースがあり、様々な楽しみ方ができる。
4. 社交性：競馬場での観戦やイベントを通じて、他のファンや友人と交流できる機会がある。
5. 馬への愛情：美しい馬たちを間近で見ることができ、彼らに対する愛着や感動を感じられる。
===== 2 =====
1. スリルと興奮：レースの結果が瞬時に決まるため、観戦や賭けにおいて大きな緊張感が味わえる。
2. 戦略性：馬や騎手のパフォーマンス、レース条件を考慮して賭ける戦略を立てる楽しさがある。
3. 多様性：多くの競馬場やレースがあり、様々な楽しみ方ができる。
4. 社交性：競馬場での観戦やイベントを通じて、他のファンや友人と交流できる機会がある。
5. 馬への愛情：美しい馬たちを間近で見ることができ、彼らに対する愛着や感動を感じられる。
===== 3 =====
1. スリルと興奮：レースの結果が瞬時に決まるため、観戦や賭けにおいて大きな緊張感が味わえる。
2. 戦略性：馬や騎手のパフォーマンス、レース条件を考慮して賭ける戦略を立てる楽しさがある。
3. 多様性：多くの競馬場やレースがあり、様々な楽しみ方ができる。
4. 社交性：競馬場での観戦やイベントを通じて、他のファンや友人と交流できる機会がある。
5. 馬への愛情：美しい馬たちを間近で見ることができ、彼らに対する愛着や感動を感じられる。

lm = dspy.LM("openai/gpt-4o-mini", cache=False)

for i in range(4):
    response = lm("競馬の魅力を、簡潔に5つリストアップ。", temperature=0.7)
    print(f"===== {i} =====")
    print(response[0])

===== 0 =====
競馬の魅力を以下の5つにまとめました：

1. **スリルと興奮**：レースの結果が瞬時に決まるため、観戦中の緊張感と興奮が楽しめます。
2. **戦略性**：馬や騎手の選択、レース展開の予測など、戦略を立てる楽しみがあります。
3. **コミュニティ**：ファン同士の交流や情報共有が盛んで、共通の趣味を持つ仲間ができる。
4. **美しい馬**：馬の優雅さや力強さを間近で見ることができ、動物愛好家にも魅力的です。
5. **多様な楽しみ方**：単に観戦するだけでなく、馬券を購入したり、馬の育成や調教に関わるなど、さまざまな楽しみ方があります。
===== 1 =====
1. **スリルと興奮**: 競馬はレースの結果が瞬時に決まるため、観客に強い緊張感と興奮を提供します。

2. **戦略と分析**: 馬の能力や騎手の技術、コースの特性などを考慮して予想を立てる楽しさがあります。

3. **社交的な要素**: 競馬場は友人や家族と一緒に楽しむ場であり、共通の興味を持つ人々との交流が生まれます。

4. **馬との絆**: 馬の育成やトレーニングに携わることで、動物との深い関係を築くことができます。

5. **大きな賞金**: 勝利した際の賞金や配当金が魅力の一つで、特に大レースでは多額のリターンが期待できます。
===== 2 =====
1. **スリルと興奮**: 競馬のレースは瞬時に勝者が決まるため、観戦する際の緊張感と興奮が楽しめます。

2. **戦略と分析**: 馬や騎手の能力、過去の成績、コース条件などを分析することで、自分なりの予想を立てる楽しさがあります。

3. **社交的な楽しみ**: 競馬場やイベントで他のファンと交流し、一緒に応援することでコミュニティの一員としての楽しみがあります。

4. **多様な賭け方**: 単勝、複勝、三連単など、さまざまな賭け方があり、自分のスタイルに合った楽しみ方ができます。

5. **美しい馬の姿**: 競馬では、優れた血統やトレーニングを受けた美しい馬を見ることができ、その魅力に魅了される人も多いです。
===== 3 =====
もちろんです！競馬の魅力を以下に5つリストアップします。

1. **スリルと興奮**: レースの瞬間的な展開や、予想外の結果がもたらす緊張感。
2. **戦略性**: 馬や騎手、コース条件を分析し、予想を立てる楽しさ。
3. **コミュニティ**: 同じ興味を持つファンとの交流や情報共有ができる。
4. **美しい馬**: 優れた血統やトレーニングを受けた馬たちの美しさと力強さ。
5. **歴史と伝統**: 長い歴史を持つスポーツとしての文化的背景や伝統行事。

これらの要素が競馬を魅力的なものにしています。

import json

print("LEN:", len(lm.history))
print("===== 0 =====")
display(lm.history[0])

LEN: 4
===== 0 =====
{'prompt': '競馬の魅力を、簡潔に5つリストアップ。',
 'messages': None,
 'kwargs': {'temperature': 0.7},
 'response': ModelResponse(id='chatcmpl-CLn5gaaPfLuXwnzcl2WkH5KLBlBOh', created=1759309628, model='gpt-4o-mini-2024-07-18', object='chat.completion', system_fingerprint='fp_560af6e559', choices=[Choices(finish_reason='stop', index=0, message=Message(content='競馬の魅力を以下の5つにまとめました：\n\n1. **スリルと興奮**：レースの結果が瞬時に決まるため、観戦中の緊張感と興奮が楽しめます。\n2. **戦略性**：馬や騎手の選択、レース展開の予測など、戦略を立てる楽しみがあります。\n3. **コミュニティ**：ファン同士の交流や情報共有が盛んで、共通の趣味を持つ仲間ができる。\n4. **美しい馬**：馬の優雅さや力強さを間近で見ることができ、動物愛好家にも魅力的です。\n5. **多様な楽しみ方**：単に観戦するだけでなく、馬券を購入したり、馬の育成や調教に関わるなど、さまざまな楽しみ方があります。', role='assistant', tool_calls=None, function_call=None, provider_specific_fields={'refusal': None}, annotations=[]), provider_specific_fields={})], usage=Usage(completion_tokens=216, prompt_tokens=23, total_tokens=239, completion_tokens_details=CompletionTokensDetailsWrapper(accepted_prediction_tokens=0, audio_tokens=0, reasoning_tokens=0, rejected_prediction_tokens=0, text_tokens=None), prompt_tokens_details=PromptTokensDetailsWrapper(audio_tokens=0, cached_tokens=0, text_tokens=None, image_tokens=None)), service_tier='default'),
 'outputs': ['競馬の魅力を以下の5つにまとめました：\n\n1. **スリルと興奮**：レースの結果が瞬時に決まるため、観戦中の緊張感と興奮が楽しめます。\n2. **戦略性**：馬や騎手の選択、レース展開の予測など、戦略を立てる楽しみがあります。\n3. **コミュニティ**：ファン同士の交流や情報共有が盛んで、共通の趣味を持つ仲間ができる。\n4. **美しい馬**：馬の優雅さや力強さを間近で見ることができ、動物愛好家にも魅力的です。\n5. **多様な楽しみ方**：単に観戦するだけでなく、馬券を購入したり、馬の育成や調教に関わるなど、さまざまな楽しみ方があります。'],
 'usage': {'completion_tokens': 216,
  'prompt_tokens': 23,
  'total_tokens': 239,
  'completion_tokens_details': CompletionTokensDetailsWrapper(accepted_prediction_tokens=0, audio_tokens=0, reasoning_tokens=0, rejected_prediction_tokens=0, text_tokens=None),
  'prompt_tokens_details': PromptTokensDetailsWrapper(audio_tokens=0, cached_tokens=0, text_tokens=None, image_tokens=None)},
 'cost': 0.00013305,
 'timestamp': '2025-10-01T09:07:12.218978',
 'uuid': '4bffcac2-0130-404d-b9db-4b726628be2a',
 'model': 'openai/gpt-4o-mini',
 'response_model': 'gpt-4o-mini-2024-07-18',
 'model_type': 'chat'}

import dspy

# LLMでResponses APIを使用するように設定
dspy.settings.configure(
    lm=dspy.LM(
        "openai/gpt-5-mini",
        model_type="responses",
        temperature=1.0,
        max_tokens=16000,
    ),
)

qa = dspy.ChainOfThought('question -> answer')

response = qa(question="競馬の魅力を、簡潔に5つリストアップして")
print(response.answer)

1. スピードと迫力：全力で走る馬の躍動感とゴール前の一瞬の興奮。  
2. 駆け引きと戦術：騎手の位置取りやペース配分など頭脳戦的要素。  
3. 馬と騎手のドラマ：個体差や成長、コンビの物語性。  
4. 予想と賭けの楽しさ：情報を読み解く楽しみと的中時の高揚感。  
5. 競馬場の雰囲気と社交性：イベント、グルメ、ファッションを含む場の魅力。

print(type(qa.history[0]["response"]))

<class 'litellm.types.llms.openai.ResponsesAPIResponse'>

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

toxicity = dspy.Predict("comment -> toxic: bool")
toxicity(comment="はいはい、さぞかしあなたはおきれいなんでしょうよ。").toxic

False

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

toxicity = dspy.Predict(
    dspy.Signature(
        "comment -> toxic: bool",
        instructions="侮辱、嫌がらせ、皮肉などが含まれていた場合も 'toxic' としてマークしてください。"
    )
)
toxicity(comment="はいはい、さぞかしあなたはおきれいなんでしょうよ。").toxic

True

# SST-2データセットのデータを利用（日本語訳）
sentence = "それは魅力的で、しばしば感動的な旅である。"  

classify = dspy.Predict('sentence -> sentiment: bool')
classify(sentence=sentence).sentiment

True

# XSumデータセットのデータを利用（日本語訳）
document = (
    "21歳の選手はウェストハムで7試合に出場し、昨季のヨーロッパリーグ予選ラウンドでアンドラ"
    "代表FCルストランとの試合で唯一の得点を挙げた。リーは前シーズン、ブラックプールと"
    "コルチェスター・ユナイテッドで2度のローン移籍を経験。ユナイテッドでは2得点を記録したが、"
    "チームの降格を防ぐことはできなかった。昇格を果たしたリーズ・ユナイテッドとの契約期間は"
    "明らかにされていない。最新のサッカー移籍情報は専用ページでご覧ください。"
)

summarize = dspy.ChainOfThought('document -> summary')
response = summarize(document=document)

print(response.summary)

21歳の選手はウェストハムで7試合に出場し、ヨーロッパリーグ予選で唯一の得点を挙げた。前シーズンにはブラックプールとコルチェスター・ユナイテッドにローン移籍し、ユナイテッドでは2得点を記録したが、チームの降格を防げなかった。リーズ・ユナイテッドとの契約期間は不明で、最新の移籍情報は専用ページで確認できる。

response.keys()

['reasoning', 'summary']

print(response.reasoning)

この文書は、21歳のサッカー選手のキャリアに関する情報を提供しています。彼はウェストハムでの出場や、過去のローン移籍先でのパフォーマンスについて述べられています。また、彼の契約状況や最新の移籍情報についても言及されています。これらの情報を基に、選手の成績や移籍の背景を簡潔にまとめることができます。

from typing import Literal

class Emotion(dspy.Signature):
    """感情を分類する"""

    sentence: str = dspy.InputField()
    sentiment: Literal['sadness', 'joy', 'love', 'anger', 'fear', 'surprise'] = dspy.OutputField()

# dair-ai/emotionのデータを利用（日本語訳）
sentence = "巨大なスポットライトがまぶしく照らし始めたとき、私は少し無防備な気持ちになり始めた"

classify = dspy.Predict(Emotion)
classify(sentence=sentence)

Prediction(
    sentiment='fear'
)

class CheckCitationFaithfulness(dspy.Signature):
    """提供されたコンテキストに基づいたテキストかどうかを検証する"""

    context: str = dspy.InputField(desc="真実であると仮定される事実")
    text: str = dspy.InputField()
    faithfulness: bool = dspy.OutputField()
    evidence: dict[str, list[str]] = dspy.OutputField(desc="主張の根拠となる証拠")

# XSumデータセットのデータを利用（日本語訳）
context = (
    "21歳の選手はウェストハムで7試合に出場し、昨季のヨーロッパリーグ予選ラウンドでアンドラ"
    "代表FCルストランとの試合で唯一の得点を挙げた。リーは前シーズン、ブラックプールと"
    "コルチェスター・ユナイテッドで2度のローン移籍を経験。ユナイテッドでは2得点を記録したが、"
    "チームの降格を防ぐことはできなかった。昇格を果たしたリーズ・ユナイテッドとの契約期間は"
    "明らかにされていない。最新のサッカー移籍情報は専用ページでご覧ください。"
)

text = "リーはコルチェスター・ユナイテッドで3ゴールを決めた。"

faithfulness = dspy.ChainOfThought(CheckCitationFaithfulness)
faithfulness(context=context, text=text)

Prediction(
    reasoning='テキストは、リーがコルチェスター・ユナイテッドで3ゴールを決めたと主張していますが、コンテキストによれば、リーはユナイテッドで2得点を記録したとされています。このため、テキストの主張はコンテキストに反しており、正確ではありません。',
    faithfulness=False,
    evidence={'リーの得点': ['リーはコルチェスター・ユナイテッドで2得点を記録した。']}
)

from IPython.display import Image

image_url = "https://picsum.photos/id/237/200/300/"
Image(image_url, format="jpg")

class DogPictureSignature(dspy.Signature):
    """画像内の犬の犬種を出力する"""
    image_1: dspy.Image = dspy.InputField(desc="犬の画像")
    answer: str = dspy.OutputField(desc="画像内の犬の犬種")

classify = dspy.Predict(DogPictureSignature)
classify(image_1=dspy.Image.from_url(image_url))

Prediction(
    answer='ラブラドール・レトリーバー'
)

# シンプルなカスタムの型
import pydantic

class QueryResult(pydantic.BaseModel):
    text: str
    score: float

signature = dspy.Signature("query: str -> result: QueryResult")

# ドット記法でネストされた型
class MyContainer:
    class Query(pydantic.BaseModel):
        text: str
    class Score(pydantic.BaseModel):
        score: float

signature = dspy.Signature("query: MyContainer.Query -> score: MyContainer.Score")

import dspy
from google.colab import userdata
import os

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

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

# 1. シグネチャを与えてモジュールを宣言
classify = dspy.Predict('sentence -> sentiment: bool')

# 2. 入力引数を与えて、モジュール呼び出し
sentence = "それは魅力的で、しばしば感動的な旅である。"  # SST-2データセットのデータを使用（日本語訳）
response = classify(sentence=sentence)

# 出力にアクセス
print(response.sentiment)

True

qa = dspy.Predict('question -> answer', n=5)

question = "ColBERT検索モデルの優れた点は何ですか？簡潔に。"
response = qa(question=question)

print(response.completions.answer)

[
    'ColBERT検索モデルの優れた点は、効率的な検索と高い精度を両立させていることです。具体的には、以下のような特徴があります：\n\n1. **組み合わせたアプローチ**: ColBERTは、トランスフォーマーベースのエンコーディングを利用し、文書内の単語の埋め込みを生成します。このアプローチにより、文脈を考慮しながら検索が可能です。\n\n2. **効率性**: ColBERTは、文書全体を単一のベクトルとして処理するのではなく、単語単位での検索を行うため、検索のスピードが向上します。これにより、大規模なデータセットに対しても迅速な検索が実現できます。\n\n3. **高精度**: 検索時に文脈情報を保持するため、関連性の高い結果を提供しやすくなります。特に、長文や複雑なクエリに対しても効果的です。\n\n4. **スケーラビリティ**: ColBERTは、インデックスの更新が比較的容易であり、実際のアプリケーションでのスケーラビリティが高いです。\n\nこれらの特徴により、ColBERTは情報検索や文書検索の分野で非常に有用なモデルとなっています。',
    'ColBERT検索モデルの優れた点は、以下の通りです：\n\n1. **効率性**: ColBERTは、文書とクエリを同時に処理し、高速な検索を実現します。これにより、大規模なデータセットにも対応可能です。\n\n2. **高精度**: 文脈を考慮した検索を行うため、より関連性の高い検索結果を提供します。これは、トランスフォーマーベースのアプローチを使用しているためです。\n\n3. **スケーラビリティ**: ColBERTは、インデクシングと検索のプロセスを分離しているため、データが増えても効率的にスケールできます。\n\n4. **ユーザーの意図理解**: クエリの意味を深く理解し、ユーザーの意図に基づいた検索を行うことができます。\n\n5. **構造化データとの統合**: ColBERTは、非構造化データだけでなく、構造化データとも組み合わせて使用することができ、多様なアプリケーションに適用可能です。\n\nこれらの特徴により、ColBERTは現代の情報検索システムにおいて非常に有用なモデルとなっています。',
    'ColBERT検索モデルの優れた点は、効率的な情報検索を実現するために、双方向のエンコーディングとスコアリングのアプローチを組み合わせていることです。具体的には、以下のような特徴があります：\n\n1. **効率性**: ColBERTは、インデックスされた文書の高速検索を可能にし、大規模データセットに対してもスケーラブルです。\n2. **文脈理解**: 文書とクエリの意味的関連性を深く理解するため、文脈情報を考慮したスコアリングを行います。\n3. **双方向性**: クエリと文書の両方を同時にエンコードすることで、より正確な関連性評価が可能になります。\n4. **リトリーバルの精度**: 高精度な情報取得を実現し、検索エンジンや情報検索システムでの効果的な利用が期待できます。\n\nこれらの特徴により、ColBERTは従来の検索モデルに比べて、より優れた性能を発揮します。',
    'ColBERT検索モデルの優れた点は、効率的な検索性能と高い精度を両立させていることです。具体的には、以下の点が挙げられます：\n\n1. **双方向の情報取得**: ColBERTは、クエリとドキュメントの両方を埋め込みとして表現し、双方向での情報取得を可能にします。これにより、より関連性の高い検索結果を得ることができます。\n\n2. **効率的なインデキシング**: このモデルは、特に大規模なデータセットに対しても効率的にインデキシングを行うことができ、そのための計算コストを抑えつつ高い精度を維持します。\n\n3. **スケーラビリティ**: ColBERTは、モデルのサイズやデータセットのスケールに依存せず、スケーラブルなアプローチを提供し、さまざまな規模のタスクに適用可能です。\n\n4. **柔軟性**: 検索タスクに対して柔軟なアプローチを提供し、ユーザーのニーズに応じてカスタマイズすることが可能です。\n\nこれらの特性により、ColBERTは情報検索において非常に競争力のある選択肢となっています。',
    'ColBERT検索モデルの優れた点は、効率的な検索を実現するために、文書を特徴ベースで表現し、近似最近傍検索を通じて高いスケーラビリティを持つことです。また、ColBERTはエンドツーエンドのトレーニングが可能で、文書とクエリの相互作用を考慮したアプローチを採用することで、検索精度を向上させています。さらに、リアルタイムでの検索パフォーマンスも高く、ユーザーに迅速なレスポンスを提供します。'
]

qa = dspy.ChainOfThought('question -> answer', n=5)

question = "ColBERT検索モデルの優れた点は何ですか？簡潔に。"
response = qa(question=question)

print(response.completions.answer)

[
    'ColBERTモデルの優れた点は、高速な検索性能と高い精度を両立させ、メモリ効率も良いことです。',
    'ColBERT検索モデルの優れた点は、高速かつ効率的な検索が可能であり、大量のデータに対しても高い精度を維持しながらリアルタイムで応答できることです。',
    'ColBERT検索モデルの優れた点は、逆インデックスと埋め込み検索を組み合わせることで、高速かつスケーラブルな検索を実現し、特に大規模データセットにおいて高い精度と効率を提供することです。',
    'ColBERT検索モデルの優れた点は、効率的な検索と高い精度を両立し、特に大規模データセットにおいてスケーラブルでリアルタイム応答が可能なことです。',
    'ColBERT検索モデルの優れた点は、効率的なエンコーディングによるスケーラビリティと、部分的な処理による高速かつ高精度な検索が可能なことです。'
]

print(response.completions.reasoning)

[
    'ColBERTは、効率的な検索を実現するために、双方向のエンコーディングとスパースなベクトル表現を使用します。これにより、検索精度が向上し、計算コストが削減されるため、大規模なデータセットでも高速に検索が行えます。また、スコアリングの段階で文書全体をエンコードしないため、メモリの使用も抑えられます。',
    'ColBERT検索モデルの優れた点は、効率的な検索が可能であり、文書の埋め込みを利用して高速な検索結果を提供する点です。また、スケーラブルであり、大量のデータセットに対しても効果的に機能します。さらに、ColBERTは、より高い精度を保ちながら、リアルタイムの応答性を実現するためのアプローチを採用しているため、ユーザーにとって価値のある結果を迅速に返すことができます。',
    'ColBERT検索モデルは、効率的な文書検索を実現するために、逆インデックスと埋め込み検索を組み合わせています。このアプローチにより、高速かつスケーラブルな検索が可能になり、特に大規模なデータセットにおいて優れた性能を発揮します。また、ColBERTは、文書全体をベクトル化するのではなく、トークンごとにベクトル化することで、関連性の高い情報を効果的に取得できます。これにより、精度の高い検索結果を提供しつつ、計算リソースの消費を抑えることができます。',
    'ColBERT検索モデルの優れた点は、効率的な検索と高い精度を両立していることです。ColBERTは、文書の特徴をベクトル化し、検索時に効率的に近似最近傍探索を行うため、スピーディーな検索が可能です。また、文書の埋め込みを用いることで、意味的な情報を考慮し、リコメンデーションや検索結果の質が向上します。さらに、ColBERTは、特に大規模なデータセットに対してスケーラブルであり、リアルタイムでの応答が求められるアプリケーションにも適しています。',
    'ColBERT検索モデルは、リランキングを行うために効率的なエンコーディング手法を使用しており、スケーラビリティと検索精度を両立しています。また、文書全体を一度に処理するのではなく、部分的に処理することで、検索速度を向上させつつ、高い検索精度を保つことができる点が特徴です。'
]

response.completions[3].reasoning

response.completions.reasoning[3]

ColBERT検索モデルの優れた点は、効率的な検索と高い精度を両立していることです。ColBERTは、文書の特徴をベクトル化し、検索時に効率的に近似最近傍探索を行うため、スピーディーな検索が可能です。また、文書の埋め込みを用いることで、意味的な情報を考慮し、リコメンデーションや検索結果の質が向上します。さらに、ColBERTは、特に大規模なデータセットに対してスケーラブルであり、リアルタイムでの応答が求められるアプリケーションにも適しています。

class Hop(dspy.Module):
    def __init__(self, num_docs=10, num_hops=4):
        self.num_docs, self.num_hops = num_docs, num_hops
        self.generate_query = dspy.ChainOfThought('claim, notes -> query')
        self.append_notes = dspy.ChainOfThought('claim, notes, context -> new_notes: list[str], titles: list[str]')

    def forward(self, claim: str) -> list[str]:
        notes = []
        titles = []

        for _ in range(self.num_hops):
            query = self.generate_query(claim=claim, notes=notes).query
            context = search(query, k=self.num_docs)
            prediction = self.append_notes(claim=claim, notes=notes, context=context)
            notes.extend(prediction.new_notes)
            titles.extend(prediction.titles)

        return dspy.Prediction(notes=notes, titles=list(set(titles)))

hop = Hop()
print(hop(claim="スティーブン・カリーは人類史上最高の3ポイントシューターである"))

dspy.settings.configure(track_usage=True)

import dspy
import json

# 使用量トラッキング
dspy.settings.configure(
    lm=dspy.LM("openai/gpt-4o-mini", cache=False),
    track_usage=True
)

# 複数のLLM呼び出しを行うシンプルなプログラムを定義
class MyProgram(dspy.Module):
    def __init__(self):
        self.predict1 = dspy.ChainOfThought("question -> answer")
        self.predict2 = dspy.ChainOfThought("question, answer -> score")

    def __call__(self, question: str) -> str:
        answer = self.predict1(question=question)
        score = self.predict2(question=question, answer=answer)
        return score

# プログラムを実行して使用量をチェック
program = MyProgram()
output = program(question="フランスの首都は？")
print(json.dumps(output.get_lm_usage(), indent=2, ensure_ascii=False))

{
  "openai/gpt-4o-mini": {
    "completion_tokens": 87,
    "prompt_tokens": 252,
    "total_tokens": 339,
    "completion_tokens_details": {
      "accepted_prediction_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 0,
      "rejected_prediction_tokens": 0,
      "text_tokens": null
    },
    "prompt_tokens_details": {
      "audio_tokens": 0,
      "cached_tokens": 0,
      "text_tokens": null,
      "image_tokens": null
    }
  }
}

import dspy
import json

dspy.settings.configure(
    lm=dspy.LM("openai/gpt-4o-mini", cache=True),  # キャッシュを有効化
    track_usage=True
)

class MyProgram(dspy.Module):
    def __init__(self):
        self.predict1 = dspy.ChainOfThought("question -> answer")
        self.predict2 = dspy.ChainOfThought("question, answer -> score")

    def __call__(self, question: str) -> str:
        answer = self.predict1(question=question)
        score = self.predict2(question=question, answer=answer)
        return score

program = MyProgram()

question="ザンビアの首都は？"

# 1回目
output = program(question="日本の首都は？")
print("===== 1回目 =====")
print(json.dumps(output.get_lm_usage(), indent=2, ensure_ascii=False))

# 2回目
output = program(question="日本の首都は？")
print("===== 2回目 =====")
print(json.dumps(output.get_lm_usage(), indent=2, ensure_ascii=False))

===== 1回目 =====
{
  "openai/gpt-4o-mini": {
    "completion_tokens": 54,
    "prompt_tokens": 242,
    "total_tokens": 296,
    "completion_tokens_details": {
      "accepted_prediction_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 0,
      "rejected_prediction_tokens": 0,
      "text_tokens": null
    },
    "prompt_tokens_details": {
      "audio_tokens": 0,
      "cached_tokens": 0,
      "text_tokens": null,
      "image_tokens": null
    }
  }
}
===== 2回目 =====
{}

import dspy

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

predict = dspy.Predict("question -> answer")
result = predict(question="フランスの首都は？")

import dspy

dspy.configure(
    lm=dspy.LM("openai/gpt-4o-mini"),
    adapter=dspy.ChatAdapter()  # これがデフォルト
)

predict = dspy.Predict("question -> answer")
result = predict(question="フランスの首都は？")

import json

signature = dspy.Signature("question -> answer")
inputs = {"question": "2 + 2は？"}
demos = [{"question": "1 + 1は？", "answer": "2"}]

adapter = dspy.ChatAdapter()
print(json.dumps(adapter.format(signature, demos, inputs), indent=2, ensure_ascii=False))

[
  {
    "role": "system",
    "content": "Your input fields are:\n1. `question` (str):\nYour output fields are:\n1. `answer` (str):\nAll interactions will be structured in the following way, with the appropriate values filled in.\n\n[[ ## question ## ]]\n{question}\n\n[[ ## answer ## ]]\n{answer}\n\n[[ ## completed ## ]]\nIn adhering to this structure, your objective is: \n        Given the fields `question`, produce the fields `answer`."
  },
  {
    "role": "user",
    "content": "[[ ## question ## ]]\n1 + 1は？"
  },
  {
    "role": "assistant",
    "content": "[[ ## answer ## ]]\n2\n\n[[ ## completed ## ]]\n"
  },
  {
    "role": "user",
    "content": "[[ ## question ## ]]\n2 + 2は？\n\nRespond with the corresponding output fields, starting with the field `[[ ## answer ## ]]`, and then ending with the marker for `[[ ## completed ## ]]`."
  }
]

import dspy
import pydantic

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


class ScienceNews(pydantic.BaseModel):
    text: str
    scientists_involved: list[str]


class NewsQA(dspy.Signature):
    """指定された科学分野に関するニュースを取得する"""

    science_field: str = dspy.InputField()
    year: int = dspy.InputField()
    num_of_outputs: int = dspy.InputField()
    news: list[ScienceNews] = dspy.OutputField(desc="科学ニュース")


predict = dspy.Predict(NewsQA)
predict(science_field="コンピュータ理論", year=2022, num_of_outputs=1)
dspy.inspect_history()

[2025-10-02T04:04:56.696680]

System message:

Your input fields are:
1. `science_field` (str): 
2. `year` (int): 
3. `num_of_outputs` (int):
Your output fields are:
1. `news` (list[ScienceNews]): 科学ニュース
All interactions will be structured in the following way, with the appropriate values filled in.

[[ ## science_field ## ]]
{science_field}

[[ ## year ## ]]
{year}

[[ ## num_of_outputs ## ]]
{num_of_outputs}

[[ ## news ## ]]
{news}        # note: the value you produce must adhere to the JSON schema: {"type": "array", "$defs": {"ScienceNews": {"type": "object", "properties": {"scientists_involved": {"type": "array", "items": {"type": "string"}, "title": "Scientists Involved"}, "text": {"type": "string", "title": "Text"}}, "required": ["text", "scientists_involved"], "title": "ScienceNews"}}, "items": {"$ref": "#/$defs/ScienceNews"}}

[[ ## completed ## ]]
In adhering to this structure, your objective is: 
        指定された科学分野に関するニュースを取得する


User message:

[[ ## science_field ## ]]
コンピュータ理論

[[ ## year ## ]]
2022

[[ ## num_of_outputs ## ]]
1

Respond with the corresponding output fields, starting with the field `[[ ## news ## ]]` (must be formatted as a valid Python list[ScienceNews]), and then ending with the marker for `[[ ## completed ## ]]`.


Response:

[[ ## news ## ]]
[
    {
        "text": "2022年、コンピュータ理論の分野で新たなアルゴリズムが発表され、計算の効率性が大幅に向上しました。このアルゴリズムは、特に大規模データセットの処理において、従来の手法と比較して数倍の速度を実現しています。",
        "scientists_involved": [
            "田中太郎",
            "佐藤花子"
        ]
    }
]

[[ ## completed ## ]]

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

math = dspy.ChainOfThought("question -> answer: float")
math(question="二つのサイコロを振って、その合計が2になる確率は？")
dspy.inspect_history()

[2025-10-02T04:13:46.194228]

System message:

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

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

[[ ## reasoning ## ]]
{reasoning}

[[ ## answer ## ]]
{answer}        # note: the value you produce must be a single float value

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


User message:

[[ ## question ## ]]
二つのサイコロを振って、その合計が2になる確率は？

Respond with the corresponding output fields, starting with the field `[[ ## reasoning ## ]]`, then `[[ ## answer ## ]]` (must be formatted as a valid Python float), and then ending with the marker for `[[ ## completed ## ]]`.


Response:

[[ ## reasoning ## ]]
二つのサイコロを振ったとき、合計が2になるのは、サイコロの両方が1のときだけです。サイコロはそれぞれ6面を持っているため、全ての組み合わせは6 × 6 = 36通りです。その中で合計が2になる組み合わせは1通り（(1, 1)）です。したがって、合計が2になる確率は1/36です。

[[ ## answer ## ]]
0.027777777777777776

[[ ## completed ## ]]

import dspy
import pydantic

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


class ScienceNews(pydantic.BaseModel):
    text: str
    scientists_involved: list[str]


class NewsQA(dspy.Signature):
    """指定された科学分野に関するニュースを取得する"""

    science_field: str = dspy.InputField()
    year: int = dspy.InputField()
    num_of_outputs: int = dspy.InputField()
    news: list[ScienceNews] = dspy.OutputField(desc="科学ニュース")


predict = dspy.Predict(NewsQA)
predict(science_field="コンピュータ理論", year=2022, num_of_outputs=1)
dspy.inspect_history()

[2025-10-02T04:18:37.849114]

System message:

Your input fields are:
1. `science_field` (str): 
2. `year` (int): 
3. `num_of_outputs` (int):
Your output fields are:
1. `news` (list[ScienceNews]): 科学ニュース
All interactions will be structured in the following way, with the appropriate values filled in.

Inputs will have the following structure:

[[ ## science_field ## ]]
{science_field}

[[ ## year ## ]]
{year}

[[ ## num_of_outputs ## ]]
{num_of_outputs}

Outputs will be a JSON object with the following fields.

{
  "news": "{news}        # note: the value you produce must adhere to the JSON schema: {\"type\": \"array\", \"$defs\": {\"ScienceNews\": {\"type\": \"object\", \"properties\": {\"scientists_involved\": {\"type\": \"array\", \"items\": {\"type\": \"string\"}, \"title\": \"Scientists Involved\"}, \"text\": {\"type\": \"string\", \"title\": \"Text\"}}, \"required\": [\"text\", \"scientists_involved\"], \"title\": \"ScienceNews\"}}, \"items\": {\"$ref\": \"#/$defs/ScienceNews\"}}"
}
In adhering to this structure, your objective is: 
        指定された科学分野に関するニュースを取得する


User message:

[[ ## science_field ## ]]
コンピュータ理論

[[ ## year ## ]]
2022

[[ ## num_of_outputs ## ]]
1

Respond with a JSON object in the following order of fields: `news` (must be formatted as a valid Python list[ScienceNews]).


Response:

{"news":[{"text":"2022年、コンピュータ理論の分野で新たなアルゴリズムが発表され、計算の効率性が大幅に向上しました。このアルゴリズムは、特に大規模データセットの処理において、従来の手法と比較して数倍の速度を実現しています。","scientists_involved":["山田太郎","佐藤花子","鈴木一郎"]}]}

import dspy

# ツールを関数として定義
def get_weather(city: str) -> str:
    """任意の都市の現在の天気を取得する"""
    # 実際には天気APIを呼び出す
    return f"{city} の現在の天気は晴れ、気温は24℃です。"

def search_web(query: str) -> str:
    """Web検索を行い、情報を取得する"""
    # 実際には検索APIを呼び出す
    return f"'{query}' に関する検索結果: [関連情報, ...]"

# ReActエージェントを作成
react_agent = dspy.ReAct(
    signature="question -> answer",   # 入出力のシグネチャ
    tools=[get_weather, search_web],  # 利用可能なツールのリスト
    max_iters=5                       # ツール呼び出しの最大反復数
)

# エージェントを実行
result = react_agent(question="東京の今の天気は？")
print(result.answer)
print("実行されたツール呼び出し:", result.trajectory)

東京の現在の天気は晴れ、気温は24℃です。
実行されたツール呼び出し: {'thought_0': '東京の現在の天気を知るために、天気情報を取得する必要があります。', 'tool_name_0': 'get_weather', 'tool_args_0': {'city': '東京'}, 'observation_0': '東京 の現在の天気は晴れ、気温は24℃です。', 'thought_1': '東京の現在の天気は晴れで、気温は24℃です。この情報をもとに、質問に対する答えをまとめることができます。', 'tool_name_1': 'finish', 'tool_args_1': {}, 'observation_1': 'Completed.'}

import dspy

class ToolSignature(dspy.Signature):
    """手動でツール制御するためのシグネチャ"""
    question: str = dspy.InputField()
    tools: list[dspy.Tool] = dspy.InputField()
    outputs: dspy.ToolCalls = dspy.OutputField()

def weather(city: str) -> str:
    """任意の都市の現在の天気を取得する"""
    return f"{city} の現在の天気は晴れです。"

def calculator(expression: str) -> str:
    """数式を評価する"""
    try:
        result = eval(expression)  # 注意: 本番環境ではより安全に使えるようにすること
        return f"結果は {result} です。"
    except:
        return "不正な数式"

# ツールインスタンスを作成
tools = {
    "weather": dspy.Tool(weather),
    "calculator": dspy.Tool(calculator)
}

# 推論器を作成
predictor = dspy.Predict(ToolSignature)

# 推論を実行
response = predictor(
    question="ニューヨークの天気は？",
    tools=list(tools.values())
)

# ツール呼び出しを実行
for call in response.outputs.tool_calls:
    # 個々のツール呼び出しを処理
    # 訳注: call.execute() は 本記事執筆2日前に追加されていて、まだパッケージ（v3.0.3）では使えない。
    # result = call.execute()
    # その場合は以下のように実行すればよい。次のパッケージバージョンではおそらく上のように実行できる。
    result = tools[call.name](**call.args)
    print(f"ツール: {call.name}")
    print(f"引数: {call.args}")
    print(f"結果: {result}")

print(response)

ツール: weather
引数: {'city': 'ニューヨーク'}
結果: ニューヨーク の現在の天気は晴れです。
Prediction(
    outputs=ToolCalls(tool_calls=[ToolCall(name='weather', args={'city': 'ニューヨーク'})])
)

def my_function(param1: str, param2: int = 5) -> str:
    """引数を受けるサンプル関数"""
    return f"引数 {param1}, 値{param2} で処理しました。"

# ツールを作成
tool = dspy.Tool(my_function)

# ツールのプロパティ
print(tool.name)        # ツール名
print(tool.desc)        # ツールの説明（docstring）
print(tool.args)        # 引数のスキーマ
print(str(tool))        # 完全なツールの説明

my_function
引数を受けるサンプル関数
{'param1': {'type': 'string'}, 'param2': {'type': 'integer', 'default': 5}}
my_function, whose description is <desc>引数を受けるサンプル関数</desc>. It takes arguments {'param1': {'type': 'string'}, 'param2': {'type': 'integer', 'default': 5}}.

# ツール呼び出しの応答を取得したあとで実行
for call in response.outputs.tool_calls:
    print(f"ツール名: {call.name}")
    print(f"引数: {call.args}")

    # 個々のツール呼び出しを複数のやり方で実行
    
    # オプション1: 自動検出 (locals/globals から自動で関数を検出)
    result = call.execute()  # 名前で関数を探す

    # オプション2: ツールを辞書で渡す（最も明示的）
    result = call.execute(functions={"weather": weather, "calculator": calculator})

    # オプション3: ツールオブジェクトをリストで渡す
    result = call.execute(functions=[dspy.Tool(weather), dspy.Tool(calculator)])

    print(f"結果: {result}")

import dspy

# ChatAdapter でネイティブFunction Callingを有効化
chat_adapter_native = dspy.ChatAdapter(use_native_function_calling=True)

# ChatAdapter でネイティブFunction Callingを無効化
json_adapter_manual = dspy.JSONAdapter(use_native_function_calling=False)

# `dspy.configure`でアダプタを指定
dspy.configure(lm=dspy.LM(model="openai/gpt-4o"), adapter=chat_adapter_native)