dspy-ensemble
複数の最適化されたプログラムを組み合わせたい場合に使用します。投票、平均化、またはプログラムバリアントへのルーティングを通じて、より堅牢な出力を実現できます。一般的なユースケースとしては、複数のプログラムを最適化した後にそれらを組み合わせたい、複数のプログラム間での多数決投票により精度を高めたい、異なる専門化されたプログラムへのルーティングで堅牢なシステムを構築したい、または出力の平均化でばらつきを減らしたいといった場面があります。DSPy Ensembleや複数プログラムの組み合わせ、モデルアンサンブルの活用、投票による信頼性向上、複数プログラムによる分散低減などに対応します。本番環境での堅牢性が求められる場合に特に有効です。
description の原文を見る
Use when you have multiple optimized versions of a program and want to combine them — voting, averaging, or routing across program variants for more robust outputs. Common scenarios - you have optimized several versions of a program and want to combine the best ones, using majority voting across multiple programs for higher accuracy, building a robust system by routing to different specialized programs, or reducing variance by averaging outputs. Related - ai-improving-accuracy, ai-making-consistent, dspy-bootstrap-rs. Also used for dspy.Ensemble, combine multiple optimized programs, majority voting across models, ensemble of DSPy programs, voting for reliability, reduce variance with multiple programs, aggregate predictions, combine outputs from different optimizers, when one program is not reliable enough, model committee, ensemble for production robustness, multiple programs one answer.
SKILL.md 本文
dspy.Ensemble でプログラムを結合する
ユーザーに、DSPyの Ensemble オプティマイザを使用して、複数の最適化されたプログラムを単一のアンサンブルに結合し、その出力を集約する方法を説明します。複数の最適化パス（異なるオプティマイザ、異なるハイパーパラメータ、異なるランダムシード）を実行し、より堅牢な予測のためにそれらを組み合わせたい場合に便利です。
Ensemble とは
dspy.Ensemble はオプティマイザ（テレプロンプター）で、DSPyプログラムのリストを受け取り、単一の EnsembledProgram を返します。アンサンブルされたプログラムを呼び出すと、各構成プログラムが同じ入力に対して実行され、提供したリダクション関数を使用して結果が集約されます。
Program A ──┐
Program B ──┼──> Run all ──> reduce_fn ──> Single output
Program C ──┘
プロンプトまたは重みを調整する他のオプティマイザとは異なり、Ensemble はプログラム自体を変更しません。推論時に出力を結合します。
Ensemble を使用する場合
- 複数の最適化パスを実行した（例えば、異なるシードで複数の BootstrapFewSho
...
詳細情報
- 作者
- lebsral
- ライセンス
- unknown
- 最終更新
- 2026/5/8
Source: https://github.com/lebsral/DSPy-Programming-not-prompting-LMs-skills / ライセンス: unknown
関連スキル
agent-browser
AI エージェント向けのブラウザ自動化 CLI です。ウェブサイトとの対話が必要な場合に使用します。ページ遷移、フォーム入力、ボタンクリック、スクリーンショット取得、データ抽出、ウェブアプリのテスト、ブラウザ操作の自動化など、あらゆるブラウザタスクに対応できます。「ウェブサイトを開く」「フォームに記入する」「ボタンをクリックする」「スクリーンショットを取得する」「ページからデータを抽出する」「このウェブアプリをテストする」「サイトにログインする」「ブラウザ操作を自動化する」といった要求や、プログラマティックなウェブ操作が必要なタスクで起動します。
anyskill
AnySkill — あなたのプライベート・スキルクラウド。GitHubを基盤としたリポジトリからエージェントスキルを管理、同期、動的にロードできます。自然言語でクラウドスキルを検索し、オンデマンドでプロンプトを自動ロード、カスタムスキルのアップロードと共有、スキルバンドルの一括インストールが可能です。OpenClaw、Antigravity、Claude Code、Cursorに対応しています。
engram
AIエージェント向けの永続的なメモリシステムです。バグ修正、意思決定、発見、設定変更の後はmem_saveを使用してください。ユーザーが「覚えている」「記憶している」と言及した場合、または以前のセッションと重複する作業を開始する際はmem_searchを使用します。セッション終了前にmem_session_summaryを使用して、コンテキストを保持してください。
skyvern
AI駆動のブラウザ自動化により、任意のウェブサイトを自動化できます。フォーム入力、データ抽出、ファイルダウンロード、ログイン、複数ステップのワークフロー実行など、ユーザーがウェブサイトと連携する必要があるときに使用します。Skyvernは、LLMとコンピュータビジョンを活用して、未知のサイトも自動操作可能です。Python SDK、TypeScript SDK、REST API、MCPサーバー、またはCLIを通じて統合できます。
pinchbench
PinchBenchベンチマークを実行して、OpenClawエージェントの実世界タスクにおけるパフォーマンスを評価できます。モデルの機能テスト、モデル間の比較、ベンチマーク結果のリーダーボード提出、またはOpenClawのセットアップがカレンダー、メール、リサーチ、コーディング、複数ステップのワークフローにどの程度対応しているかを確認する際に使用します。
openui
OpenUIとOpenUI Langを使用してジェネレーティブUIアプリを構築できます。これらはLLM生成インターフェースのためのトークン効率的なオープン標準です。OpenUI、@openuidev、ジェネレーティブUI、LLMからのストリーミングUI、AI向けコンポーネントライブラリ、またはjson-render/A2UIの置き換えについて述べる際に使用します。スキャフォルディング、defineComponent、システムプロンプト、Renderer、およびOpenUI Lang出力のデバッグに対応しています。