Wat is DSPy?

Wat is DSPy eigenlijk?

Als je weleens met AI-tools werkt, ken je het wel: je typt een prompt, krijgt een matig antwoord, past de prompt aan, probeert opnieuw, en zo blijf je bezig totdat het eindelijk goed genoeg is. DSPy (spreek uit als 'D-S-pie') is een framework dat dit handmatige geknutsel overneemt. Het optimaliseert je prompts en AI-workflows automatisch, net zoals je een recept niet zelf hoeft te perfectioneren als je een ervaren kok hebt die het voor je finetunet.

DSPy is gebouwd door onderzoekers van Stanford University en heeft als kernidee: in plaats van prompts te schrijven als tekstjes die je steeds aanpast, behandel je ze als programmeerbare onderdelen die je kunt trainen. Je beschrijft wat je wilt bereiken, geeft voorbeelden, en DSPy zoekt automatisch naar de beste manier om je taak uit te voeren — welke instructies, welke voorbeelden, welke volgorde.

Hoe werkt het eigenlijk?

Stel je voor dat je een systeem bouwt dat klantvragen beantwoordt. Normaal zou je een prompt schrijven zoals: "Beantwoord deze vraag vriendelijk en zakelijk". Als de antwoorden te kort zijn, pas je de prompt aan naar "Geef een uitgebreid antwoord van minimaal 3 zinnen". En als het te formeel wordt, probeer je weer iets anders.

Met DSPy werk je anders:

• Je definieert je taak ("beantwoord klantvragen op basis van productinformatie")

• Je geeft een handvol voorbeelden van goede vraag-antwoord-paren

• DSPy experimenteert automatisch met verschillende promptformuleringen, voorbeelden en strategieën

• Het meet welke aanpak het beste scoort op jouw criteria (snelheid, nauwkeurigheid, toon)

• Je krijgt een geoptimaliseerde workflow terug die je direct kunt gebruiken

De naam verwijst naar "Declarative Self-improving Python" — het idee dat je beschrijft wat je wilt (declaratief), en het systeem zichzelf verbetert zonder dat jij elke stap handmatig moet programmeren.

Waarom zou jij hier iets aan hebben?

Als je AI inzet in je bedrijf of project, loop je vaak tegen dezelfde frustraties aan:

• Prompt-vermoeidheid: elke keer dat je iets verandert (ander AI-model, andere data), moet je al je prompts opnieuw testen en aanpassen

• Inconsistentie: wat bij het ene model werkt, faalt bij het andere

• Schaalbaarheid: met tientallen verschillende AI-taken wordt handmatig beheer onhoudbaar

DSPy lost dit op door je workflows model-agnostisch te maken. Je beschrijft de taak, en DSPy zorgt ervoor dat het werkt — of je nu ChatGPT, Claude of een open-source model gebruikt. Wissel je van model? DSPy optimaliseert automatisch opnieuw.

Een concreet voorbeeld: een webshop gebruikt DSPy om productbeschrijvingen te genereren uit technische specs. Eerst deden ze dit met handmatige prompts, maar bij elk nieuw producttype moesten ze de prompt aanpassen. Met DSPy geven ze alleen voorbeelden van goede beschrijvingen, en het systeem leert zelf hoe het specs moet omzetten — ongeacht het producttype.

Waar kom je het tegen?

DSPy is vooral populair bij teams die AI-toepassingen op grotere schaal bouwen:

• Ontwikkelaars die chatbots, vraag-antwoord-systemen of data-extractietools bouwen

• Data-scientists die complexe AI-pipelines maken met meerdere stappen (zoeken, filteren, samenvatten, beantwoorden)

• MLOps-teams die AI-workflows willen automatiseren en monitoren zonder constante handmatige aanpassingen

• Bedrijven die van AI-leverancier willen wisselen zonder alles opnieuw te moeten bouwen

Je kunt DSPy gebruiken via Python-code (het is open source), en het werkt met de meeste grote AI-modellen. Het is vooral handig als je niet één simpele prompt hebt, maar een hele keten van stappen — bijvoorbeeld: zoek relevante documenten, filter de belangrijkste informatie, maak een samenvatting, formuleer een antwoord.

Een praktijkvoorbeeld

Een zorgverzekeraar gebruikt DSPy om polisvoorwaarden te doorzoeken en klantvragen te beantwoorden. Eerst hadden ze een handmatige prompt die zocht naar relevante passages en daar een antwoord uit formuleerde. Maar de kwaliteit varieerde enorm: soms te technisch, soms te vaag, soms incomplete informatie.

Ze gaven DSPy 50 voorbeelden van goede vraag-antwoord-paren. Het systeem ontdekte automatisch dat het beter werkte om eerst twee zoekopdrachten te doen (één letterlijk, één met synoniemen), de resultaten te combineren, en dan pas een antwoord te formuleren. Deze workflow leverde 40% betere antwoorden op dan de handmatige prompt — en werkte nog steeds toen ze overstapten naar een goedkoper AI-model.

Wat kun je er nu mee? Als je regelmatig tegen dezelfde AI-taken aanloopt en merkt dat je steeds prompts aan het tweaken bent, is DSPy het verkennen waard. Je hoeft geen AI-expert te zijn — basiskennis van Python is genoeg. Begin met een simpele taak (bijvoorbeeld: "haal de belangrijkste info uit een e-mail"), geef een paar voorbeelden, en laat DSPy het optimaliseren. Je zult merken dat je minder tijd kwijt bent aan prompt-gedoe, en meer aan het daadwerkelijk bouwen van iets nuttigs.