dspy-skills MCP — Casos de uso, Instalar & Demo en vivo

Por qué usarlo

Características clave

Signatures de DSPy / módulos / predictores codificados como patrones
Guía de uso de Teleprompter (BootstrapFewShot, MIPRO)
Evaluación + diseño de métricas
Scaffolds de pipeline RAG con retrievers de DSPy
Integración con opinión establecida con proveedores de LLM comunes

Demo en vivo

Cómo se ve en la práctica

dspy-skill.replay ▶ listo

0/0

Instalar

Elige tu cliente

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "dspy-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/OmidZamani/dspy-skills",
        "~/.claude/skills/dspy-skills"
      ],
      "_inferred": true
    }
  }
}

Abre Claude Desktop → Settings → Developer → Edit Config. Reinicia después de guardar.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "dspy-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/OmidZamani/dspy-skills",
        "~/.claude/skills/dspy-skills"
      ],
      "_inferred": true
    }
  }
}

Cursor usa el mismo esquema mcpServers que Claude Desktop. La configuración del proyecto prevalece sobre la global.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "dspy-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/OmidZamani/dspy-skills",
        "~/.claude/skills/dspy-skills"
      ],
      "_inferred": true
    }
  }
}

Haz clic en el icono MCP Servers de la barra lateral de Cline y luego en "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "dspy-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/OmidZamani/dspy-skills",
        "~/.claude/skills/dspy-skills"
      ],
      "_inferred": true
    }
  }
}

Mismo formato que Claude Desktop. Reinicia Windsurf para aplicar.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "dspy-skill",
      "command": "git",
      "args": [
        "clone",
        "https://github.com/OmidZamani/dspy-skills",
        "~/.claude/skills/dspy-skills"
      ]
    }
  ]
}

Continue usa un array de objetos de servidor en lugar de un mapa.

~/.config/zed/settings.json

{
  "context_servers": {
    "dspy-skill": {
      "command": {
        "path": "git",
        "args": [
          "clone",
          "https://github.com/OmidZamani/dspy-skills",
          "~/.claude/skills/dspy-skills"
        ]
      }
    }
  }
}

Añádelo a context_servers. Zed recarga en caliente al guardar.

claude mcp add dspy-skill -- git clone https://github.com/OmidZamani/dspy-skills ~/.claude/skills/dspy-skills

Un solo comando. Verifica con claude mcp list. Quita con claude mcp remove.

Casos de uso

Usos del mundo real: dspy-skills

Cómo construir tu primer programa DSPy y optimizarlo

👤 Ingenieros de ML e investigadores aplicados ⏱ ~90 min advanced

Cuándo usarlo: Tienes una tarea donde la calidad del prompt importa y quieres una forma sistemática de mejorarla.

Requisitos previos

Python 3.10+ con dspy-ai instalado — pip install dspy-ai
Skill clonado — git clone https://github.com/OmidZamani/dspy-skills ~/.claude/skills/dspy-skills

Flujo

Define la signature

Tarea: clasificar tickets de soporte en {facturación, técnico, cuenta}. Dame una signature de DSPy y un módulo Predict simple.✓ Copiado

→ Código de signature + módulo
Escribe una evaluación

Añade un conjunto de evaluación de 50 ejemplos etiquetados y una métrica de precisión.✓ Copiado

→ Harness de evaluación con métrica callable
Optimiza

Ejecuta BootstrapFewShot para compilar el módulo contra el conjunto de evaluación.✓ Copiado

→ Predictor compilado + puntuación mejorada

Resultado: Un predictor optimizado con DSPy que supera un prompt escrito manualmente, con código reproducible.

Errores comunes

Evaluación demasiado pequeña — el optimizer sobreajusta — Mínimo 100–200 ejemplos; reserva un conjunto de prueba real
La métrica no captura lo que te importa — Invierte en diseño de métrica antes que en elección de modelo

Combinar con: filesystem

Construye un pipeline RAG con DSPy

👤 Ingenieros que construyen sistemas de recuperación aumentada ⏱ ~120 min advanced

Cuándo usarlo: Quieres RAG modular y optimizable en lugar de una cadena cableada manualmente.

Flujo

Define los módulos

Crea un pipeline RAG de DSPy: RetrieveThenRead con ColBERTv2 o un retriever local.✓ Copiado

→ Pipeline modular con recuperación y generación separadas
Optimiza de extremo a extremo

Escribe una evaluación en nuestro conjunto de Q&A y ejecuta MIPRO para mejorar.✓ Copiado

→ Pipeline compilado con delta de puntuación

Resultado: Un pipeline RAG que puedes mejorar cambiando la evaluación, no reescribiendo prompts.

Errores comunes

La calidad del retriever limita la calidad de extremo a extremo — Evalúa la recuperación por separado (recall@k) antes de optimizar la generación

Combinar con: local-rag

Combinaciones

Combínalo con otros MCPs para multiplicar por 10

dspy-skill + local-rag

Conecta un retriever local en los módulos RAG de DSPy

Intercambia el retriever ColBERT por un MCP local-rag como fuente de recuperación.✓ Copiado

dspy-skill + filesystem

Organiza programas DSPy, evaluaciones y artefactos en un repositorio

Estructura un proyecto DSPy con directorios programs/, evals/, y artifacts/.✓ Copiado

Herramientas

Lo que expone este MCP

Herramienta	Entradas	Cuándo llamar	Coste
signature-design	especificación de tarea	Inicio de cualquier programa DSPy	0
module-authoring	signatures + flujo	Después de signatures	0
teleprompter-optimization	módulo + evaluación	Después de que la evaluación esté lista	tokens de LLM durante la optimización
evaluation-harness	datos de tarea	Antes de optimizar	0

Coste y límites

Lo que cuesta ejecutarlo

Cuota de API: Los tokens de LLM dominan durante las ejecuciones de optimización
Tokens por llamada: Puede ser alto — las optimizaciones pueden invocar el LLM cientos de veces
Monetario: depende del proveedor
Consejo: Usa modelos económicos durante las ejecuciones de teleprompter, actualiza solo para la evaluación final

Seguridad

Permisos, secretos, alcance

Almacenamiento de credenciales: Claves de proveedor de LLM en variables de entorno

Salida de datos: Endpoints de proveedor de LLM

Resolución de problemas

Errores comunes y soluciones

Teleprompter parece empeorar las cosas

Verifica la corrección de la métrica; usa un conjunto retenido; amplía el conjunto de ejemplos.

La optimización se come tu presupuesto

Limita max_bootstrapped_demos y usa modelos más económicos durante la búsqueda.

Alternativas

dspy-skills vs otros

Alternativa	Cuándo usarla	Contrapartida
prompt-architect-skill	Quieres elaboración a nivel de prompt, no el enfoque programático de DSPy	Elaborado manualmente vs optimizado

Más

Recursos

📖 Lee el README oficial en GitHub

🐙 Ver issues abiertas

🔍 Ver todos los 400+ servidores MCP y Skills