「DSPy 3.0」を改めて試す ①Get Started

!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)

lm("競馬の魅力を、簡潔に5つリストアップして", temperature=0.7)

['もちろんです！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**: レースの緊張感や予測不能な展開が楽しめる。\n2. **戦略性**: 騎手や馬の選択、レース条件に基づいた戦略を考える楽しみ。\n3. **社会的交流**: 同じ趣味を持つ人々との交流や、観戦イベントの楽しさ。\n4. **歴史と伝統**: 長い歴史を持つ競馬文化や名馬の物語に触れられる。\n5. **賭けの楽しみ**: 予想が的中したときの喜びや、賭け金のリターンを楽しむことができる。\n\nこれらの要素が競馬を魅力的なスポーツとしている理由です。']

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. **社交性**: 競馬場やオンラインでの交流を通じて、他のファンと情報を共有したり、楽しみを分かち合える。\n5. **美しい馬たち**: 競走馬の優雅な姿や走りを楽しむことができ、馬に対する愛情や興味が深まる。']

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？")

Prediction(
    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面あり、合計の出方は6 × 6 = 36通りです。その中で合計が2になるのは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
)

def search_wikipedia(query: str) -> list[str]:
    results = dspy.ColBERTv2(url="http://20.102.90.50:2017/wiki17_abstracts")(query, k=3)
    return [x["text"] for x in results]

rag = dspy.ChainOfThought("context, question -> response")

# 日本語訳: デイヴィッド・グレゴリーが相続した城の名前は何ですか？" 
# 訳注: search_wikipedia で使用されているサーバは日本語クエリに対応していない様子
question = "What's the name of the castle that David Gregory inherited?"
rag(context=search_wikipedia(question), question=question)

Prediction(
    reasoning='David Gregory inherited Kinnairdy Castle in 1664, as mentioned in the context provided.',
    response='The name of the castle that David Gregory inherited is Kinnairdy Castle.'
)

from typing import Literal

class Classify(dspy.Signature):
    """与えられた文の感情を分類する"""

    sentence: str = dspy.InputField()
    sentiment: Literal["ポジティブ", "ネガティブ", "ニュートラル"] = dspy.OutputField()
    confidence: float = dspy.OutputField()

classify = dspy.Predict(Classify)
print(classify(sentence="この本は読むのがすごく楽しかったけど、最後の章だけはそうではなかった。"))
print(classify(sentence="この本は読むのがすごく辛かった"))
print(classify(sentence="この本はまあまあ普通かな"))

Prediction(
    sentiment='ポジティブ',
    confidence=0.75
)
Prediction(
    sentiment='ネガティブ',
    confidence=0.95
)
Prediction(
    sentiment='ニュートラル',
    confidence=0.75
)

class ExtractInfo(dspy.Signature):
    """テキストから構造化された情報を抽出する"""

    text: str = dspy.InputField()
    title: str = dspy.OutputField()
    headings: list[str] = dspy.OutputField()
    entities: list[dict[str, str]] = dspy.OutputField(desc="エンティティとそのメタデータのリスト")

module = dspy.Predict(ExtractInfo)

text = (
    "アップル社は本日、最新のiPhone 14を発表した。"
    "最高経営責任者（CEO）のティム・クックはプレスリリースで新機能を強調した。"
)
response = module(text=text)

print("タイトル:", response.title)
print("見出し:", response.headings)
print("エンティティ:", response.entities)

タイトル: アップル社がiPhone 14を発表
見出し: ['アップル社', 'iPhone 14', 'ティム・クック', '新機能']
エンティティ: [{'企業': 'アップル社'}, {'製品': 'iPhone 14'}, {'人物': 'ティム・クック'}, {'役職': 'CEO'}, {'イベント': 'プレスリリース'}, {'内容': '新機能'}]

def evaluate_math(expression: str):
    print("DEBUG:", expression)
    return dspy.PythonInterpreter({}).execute(expression)

def search_wikipedia(query: str):
    print("DEBUG:", query)
    results = dspy.ColBERTv2(url="http://20.102.90.50:2017/wiki17_abstracts")(query, k=3)
    return [x["text"] for x in results]

react = dspy.ReAct("question -> answer: float", tools=[evaluate_math, search_wikipedia])

# 訳注: エージェントのツールとしてsearch_wikipediaを使う場合は日本語でもOK
pred = react(question="9362158 を、キンネアディ城のデイヴィッド・グレゴリーの生年で割るといくつ？")
print(pred.answer)

DEBUG: デイヴィッド・グレゴリー 生年 キンネアディ城
DEBUG: David Gregory (mathematician)
DEBUG: 9362158 / 1625
5765.0

class Outline(dspy.Signature):
    """トピックの包括的な概要を概説する"""

    topic: str = dspy.InputField()
    title: str = dspy.OutputField()
    sections: list[str] = dspy.OutputField()
    section_subheadings: dict[str, list[str]] = dspy.OutputField(desc="セクション見出しから小見出しへのマッピング")

class DraftSection(dspy.Signature):
    """記事のトップレベルセクションを起草する"""

    topic: str = dspy.InputField()
    section_heading: str = dspy.InputField()
    section_subheadings: list[str] = dspy.InputField()
    content: str = dspy.OutputField(desc="Markdown形式のセクション")

class DraftArticle(dspy.Module):
    def __init__(self):
        self.build_outline = dspy.ChainOfThought(Outline)
        self.draft_section = dspy.ChainOfThought(DraftSection)

    def forward(self, topic):
        outline = self.build_outline(topic=topic)
        sections = []
        for heading, subheadings in outline.section_subheadings.items():
            section, subheadings = f"## {heading}", [f"### {subheading}" for subheading in subheadings]
            section = self.draft_section(topic=outline.title, section_heading=section, section_subheadings=subheadings)
            sections.append(section.content)
        return dspy.Prediction(title=outline.title, sections=sections)

draft_article = DraftArticle()
article = draft_article(topic="ワールドカップ2022")

print("タイトル:", article.title)
print("-" * 20)
for a in article.sections:
    print(a)
    print()

タイトル: ワールドカップ2022の概要と影響
--------------------
## 大会の概要

### 大会の歴史
ワールドカップは、サッカーの国際大会として1930年に始まりました。最初の大会はウルグアイで開催され、以降4年ごとに開催されています。2022年の大会はカタールで行われ、初めて中東での開催となりました。この大会は、サッカーの発展と国際的な交流を促進する重要なイベントとして位置づけられています。

### 参加国
2022年のワールドカップには、32カ国が参加しました。これらの国々は、各大陸の予選を通じて選ばれ、サッカーの最高峰を目指して競い合いました。参加国の多様性は、サッカーが世界中で愛されているスポーツであることを示しています。

### フォーマット
大会のフォーマットは、グループステージとノックアウトステージの2つの主要な段階で構成されています。最初に8つのグループに分かれ、各グループの上位2チームがノックアウトステージに進出します。この形式は、緊張感と興奮を生み出し、観客を魅了する要素となっています。

## 開催地の選定

### カタールの選定理由
ワールドカップ2022の開催地としてカタールが選ばれた理由は、いくつかの要因に起因しています。まず、カタールは中東地域で初めてのワールドカップ開催国となり、サッカーの普及を促進する重要な役割を果たすことが期待されました。また、カタール政府は大会に向けた大規模な投資を行い、最新のスタジアムやインフラを整備する意欲を示しました。さらに、カタールの地理的な位置は、アジアやヨーロッパの国々からのアクセスが良好であり、国際的な観客を引き寄せる要素となりました。

### 開催準備の課題
しかし、カタールでの開催準備には多くの課題も存在しました。特に、極端な気候条件が選手や観客にとっての大きな懸念材料となりました。これに対処するため、カタールはスタジアムの冷却システムを導入するなどの対策を講じました。また、労働者の権利問題や、建設現場での安全性に関する批判も多く、国際的な注目を集めました。これらの課題を克服することが、カタールの国際的な評価に大きな影響を与えることとなりました。

## 試合結果

### 決勝戦の結果
ワールドカップ2022の決勝戦は、カタールのルサイルスタジアムで行われ、フランスとアルゼンチンが対戦しました。試合は延長戦に突入し、最終的にアルゼンチンが4-2で勝利を収め、36年ぶりの優勝を果たしました。この試合は、両チームの激しい攻防と、特にリオネル・メッシとキリアン・エムバペの素晴らしいパフォーマンスによって、サッカー史に残る名勝負となりました。

### 注目の選手
この大会で特に注目を集めた選手は、アルゼンチンのリオネル・メッシとフランスのキリアン・エムバペです。メッシは大会を通じてチームを牽引し、決勝戦でも重要なゴールを決めました。一方、エムバペは決勝戦でハットトリックを達成し、そのスピードと技術で観客を魅了しました。両選手の活躍は、ワールドカップ2022の記憶に残る要素となり、今後のサッカー界における彼らの影響力を示しています。

## 文化的影響

### 地域文化の紹介
ワールドカップ2022は、開催国カタールの豊かな文化を世界に紹介する場となりました。伝統的な音楽やダンス、料理、アートなどがイベントを通じて披露され、訪れた観客や選手たちはカタールの文化に触れることができました。これにより、地域の文化が国際的な舞台で認知され、他国の人々との交流が生まれました。

### 国際交流の促進
この大会は、世界中から集まったサッカーファンや選手たちが一堂に会することで、国際交流を促進しました。異なる国や文化の人々が同じ場所で共通の目的を持って集まり、サッカーを通じて友情や理解を深めることができました。これにより、国際的な連帯感が生まれ、スポーツが持つ力を再確認する機会となりました。

## 経済的影響

### 観光業への影響
ワールドカップ2022は、カタールの観光業にとって大きなブーストとなりました。世界中から数百万の観客が訪れ、ホテルや飲食店、観光施設が賑わいました。このイベントは、カタールの文化や観光地を国際的にアピールする絶好の機会となり、今後の観光客誘致にもつながると期待されています。

### インフラ整備
ワールドカップに向けて、カタールは大規模なインフラ整備を行いました。新しいスタジアムの建設だけでなく、交通網の整備や宿泊施設の拡充も進められました。これにより、イベント後も地域の経済活動が活性化し、持続可能な発展が期待されています。

!pip install -U datasets

import dspy
from dspy.datasets import HotPotQA
from google.colab import userdata

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

def search_wikipedia(query: str) -> list[str]:
    results = dspy.ColBERTv2(url="http://20.102.90.50:2017/wiki17_abstracts")(query, k=3)
    return [x["text"] for x in results]

trainset = [x.with_inputs('question') for x in HotPotQA(train_seed=2024, train_size=500).train]
react = dspy.ReAct("question -> answer", tools=[search_wikipedia])

tp = dspy.MIPROv2(metric=dspy.evaluate.answer_exact_match, auto="light", num_threads=24)
optimized_react = tp.compile(react, trainset=trainset)

2025/09/30 13:25:27 INFO dspy.teleprompt.mipro_optimizer_v2: Default program score: 31.0

2025/09/30 13:39:06 INFO dspy.teleprompt.mipro_optimizer_v2: Returning best identified program with score 52.0!