⚡ TL;DR——30秒速览
如果你需要生产就绪、集成广泛且要显式控制提示词的框架，选 LangChain。如果需要提示词质量至关重要、有标注的评估数据集，希望框架找到比手工编写更好的提示词，选 DSPy。DSPy 前期投入更高；LangChain 能更快投产。
快速对比
| 特性 | LangChain | DSPy |
|---|---|---|
| 编程模型 | 命令式（你写提示词） | 声明式（编译器写提示词） |
| GitHub Stars | 140k+ | 22k+ |
| 学习曲线 | 中等（大量抽象） | 高（新的思维模型） |
| 提示词优化 | 手动 | 自动（BootstrapFewShot、MIPRO） |
| 评估驱动 | 可选 | 必需（需要标注示例） |
| 集成 | 100+ 集成（行业标准） | 40+ LLM 提供商 |
| 生产部署 | 行业标准 | 研究 + 生产应用增长中 |
| RAG 支持 | 内置（LCEL、检索器） | 有 RAG 优化器 |
| 多智能体 | 通过 LangGraph | 通过多步骤程序 |
| 可复现性 | 手动（你控制提示词） | 高（编译后的程序版本化） |
什么是 LangChain？
LangChain（140k+ GitHub stars）是部署最广泛的 LLM 应用构建框架。它提供多步骤链、带工具使用的智能体、RAG 检索器、记忆管理和 100+ LLM 提供商及向量库集成。LangChain 表达式语言（LCEL）让你能以声明式方式组合流水线，同时保持对提示词的完整控制。LangChain 的优势也是劣势：API 范围很广。
使用多个数据源构建RAG管道需要编排retrievers、memory和LLM调用——LangChain的141k+ GitHub stars反映了其chain abstraction如何优雅地处理这种复杂性。与LlamaIndex以document-centric的focus不同，LangChain在agent workflows和multi-step reasoning方面表现更为出色。若需要minimal dependencies或对简单completions的latency低于100ms，可以跳过它。
——中国吧AI Tools Hub编辑团队关于LangChain
什么是 DSPy？
DSPy（22k+ GitHub stars, from Stanford NLP）将提示工程视为一个编译问题。与其手动编写提示词，你将任务定义为带有类型化输入/输出签名的程序，然后运行编译步骤，通过少样本学习和优化算法自动寻找最优提示。DSPy 程序具有确定性、可版本管理、可测试。关键要求：你需要一个带标注的评估集供优化器使用。
DSPy 在多步 RAG 系统构建上表现卓越，能在数百份文档上实现可重复、优化的提示——这是手动提示无法扩展的。与 LangChain 的链式方法不同，DSPy 的 36k+ GitHub stars 体现了其系统性优化层，减少了试错成本。如果需要实时动态响应，跳过 DSPy；它是为批量流水线优化而设计，而非聊天界面。
— 中国吧 AI Tools Hub DSPy 编辑团队
何时选择各自
如果…选LangChain
- 你需要快速上线生产环境，且具备广泛的集成能力
- 你在构建聊天机器人、智能体或 RAG 系统，使用成熟的模式
- 你的团队已经熟悉 LangChain
- 你需要最丰富的教程资源和社区支持
- 你更希望对 LLM 管道中的每个环节进行显式控制
如果…选DSPy
- 提示质量是瓶颈，且你拥有评估示例
- 你在构建分类、抽取或结构化生成任务
- 你希望消除模型更新带来的提示词脆弱性问题
- 你愿意投入精力学习这种新的声明式编程范式
- 你需要可编译、可版本管理、可测试的 LLM 程序
指令式与声明式：核心区别
在 LangChain 中，你需要为管道的每一步编写明确的指令——控制提示模板、链式逻辑和输出解析。在 DSPy 中，你只需定义描述输入和输出的签名，然后运行优化器。优化器会在你的评估集上尝试多种提示策略，找出最能提升你指标的方案。当你清楚知道想要什么时，显式控制更优；当你需要达成性能目标却不擅长选择提示策略时，优化更优。
DSPy 的要求：你需要带标注的示例
DSPy 的优化器效果取决于你的评估函数和标注数据的质量。在 DSPy 开始优化之前，你需要准备 20-100 个标注示例。对于缺乏此类基础设施的团队，LangChain 能更快落地应用。而对于已有 LLM 评估体系的团队，DSPy 能更自然地融入工作流，因为你的评估集可直接作为优化的输入。当你反复迭代同一任务并希望提示词能随模型演进自动优化时，这种投入将带来显著回报。