# @currentai/dsts 中文文档

规范地址：https://npmcn.com/package/%40currentai/dsts/

版本：1\.0\.1
npm 元数据更新时间：2026-03-09T14:28:48.902Z
中文译文更新时间：2026-11-11T05:01:17.837Z
软件包许可：MIT

本文由上游 README 翻译，可能存在偏差，请结合原文核对 API、命令与配置。版权与许可归原作者所有。

原始 npm 页面：https://www.npmjs.com/package/%40currentai/dsts
原文对照：https://npmcn.com/package/%40currentai/dsts/?lang=original
项目主页：https://github.com/current-ai-llc/dsts#readme
源码仓库：https://github.com/current-ai-llc/dsts

## 关键信息（来自 npm 元数据）

- 包体积（解压后）：193 kB，40 个文件
- 模块格式：CommonJS
- TypeScript 类型：包内自带
- 运行依赖：2 个
- peer 依赖：zod ^4\.1\.0
- 首次发布：2025-09-15T00:08:35.522Z
- 最新版本发布：2026-03-09T14:28:48.744Z
- 近 30 天下载量：67551（2026-10-11 至 2026-11-09，npm 官方下载统计）
- 已发布版本数：7（近 12 个月 1 个）

## 中文简介

GEPA( Genetic- Pareto) TypeScript 优化器 - 通过反射演化实现多目标优化, 对 AI SDK 生成对象的一等支持

## 安装

```sh
npm install @currentai/dsts
```

也可以使用：`pnpm add @currentai/dsts`、`yarn add @currentai/dsts`、`bun add @currentai/dsts`

## README

# DSTS — 动态自动改进类型脚本

DSTS是TypeScript的最小,AI SDK-相配的即时优化器. 它为生成Object(带有Zod schemas)和以最新的GEPA优化器(类似"长颈鹿"的软G)生成Text优化了提示. GEPA在Pareto边界沿线发展出一个快速点,跨越了在实践中重要的多重目标:任务执行、时间和成本.

-   AI Gateway - 相通: 通过模型 ids 作为字符串; 为结构化对象以 Zod schema 生成对象或为字符串生成 Text .
-   最小抽象: 一个默认适配器可调用 `generateObject`编号 :`generateText` 和一个优化者.
-   多重目标:首先,跟踪每个周期的正确性+耐久性(和成本);报告Pareto前部和高容量(2D).
-   持久性和预算:检查站/恢复、(通过象征性的)费用估算和预算上限、种子小批斗.

## 安装

```bash
npm i @currentai/dsts zod
```

## 快开始

```ts
import { z } from "zod";
import { optimize, DefaultAdapterTask } from "@currentai/dsts";

// Define schema (generateObject)
const Item = z.object({ title: z.string(), url: z.string().url() });

// Training data: use schema ⇒ generateObject; provide expectedOutput and/or a scorer
const trainset: DefaultAdapterTask<z.infer<typeof Item>>[] = [
  {
    input: "link to TS docs",
    expectedOutput: {
      title: "TypeScript",
      url: "https://www.typescriptlang.org",
    },
    schema: Item,
  },
];
const valset = trainset;

const result = await optimize({
  seedCandidate: { system: "Extract a title and a valid URL from the text." },
  trainset,
  // Explicit held-out set used for Pareto selection
  valset,
  taskLM: {
    model: "openai/gpt-5-nano",
    // Any extra fields are passed through to AI SDK calls
    temperature: 0.2,
    providerOptions: { openai: { service_tier: "default" } },
  },
  reflectionLM: {
    model: "openai/gpt-5.2",
    providerOptions: { openai: { reasoningEffort: "high" } },
  },
  // Simple way to steer reflection without templates
  reflectionHint: "Prioritize exact field correctness; avoid hallucinating properties.",
  maxIterations: 5,
  maxMetricCalls: 200,
  maxBudgetUSD: 50,
  reflectionMinibatchSize: 3,
  candidateSelectionStrategy: "pareto",
  componentSelector: "round_robin",
  logger: {
    log: (lvl, msg, data) => {
      if (lvl === "info") console.log(`[${lvl}] ${msg}`, data || "");
    },
  },
  persistence: {
    dir: "runs/quickstart",
    checkpointEveryIterations: 1,
    resume: true,
  },
});

console.log("Best system prompt:", result.bestCandidate.system);
```

## 种子提示物质

`dsts` 目前作为迅速的提炼者最有效,而不是迅速的发明者.

对于结构繁忙的任务,种子提示器应该已经编码任务的稳定协议:

-   输出形状和计划预期,
-   允许标签或字段值,
-   证据或引用格式,
-   索赔的颗粒性,
-   边缘大小写处理规则.

如果种子提示很弱,早期的GEPA迭代往往会花预算来重新发现计划限制,而不是改善域行为. 在实践中,最佳的工作流程是:

1.  手写一个已经具有结构能力的种子提示 .
2.  确保它能满足基本的计划和主题.
3.  利用GEPA优化域判断,取舍,优先排序.

## 实例

-   电子邮件提取到丰富的对象计划 : [`examples/email-extraction.ts`](https://npmcn.com/package/%40currentai/dsts/examples/email-extraction.ts)
-   信件垃圾邮件分类 : [`examples/message-spam.ts`](https://npmcn.com/package/%40currentai/dsts/examples/message-spam.ts)
-   优化结构化取票方式: [`examples/optimize-anything-email-extraction.ts`](https://npmcn.com/package/%40currentai/dsts/examples/optimize-anything-email-extraction.ts)
-   利用GEPAAdapter桥(信息分类): [`examples/optimize-anything-legacy-bridge.ts`](https://npmcn.com/package/%40currentai/dsts/examples/optimize-anything-legacy-bridge.ts)

每个例子:

-   装入 `.env` 本地(默认情况下的AI网关),
-   印刷总数、标准电话、费用(美元)和时间(ms),
-   允许持久性 `runs/...`。 。 。 .

运行 :

```bash
npm run example              # email extraction
npm run example:message-spam # spam classification
npm run example:optimize-anything
npm run example:optimize-anything-legacy
```

特定任务或私人实验可以生活在 `local-examples/`,这是被赋予的.

## 优化任何东西( 高级)

`optimize()` 仍然是稳定,AI SDK-内在的即时优化路径. 用于普遍优化(包括非文本状态和无种子拖带),使用 `optimizeAnything()`。 。 。 .

```ts
import { optimizeAnything } from "@currentai/dsts";

const result = await optimizeAnything<{ system: string }, Task>({
  initialState: {
    system: "Extract {title, assignee?, priority} as strict JSON.",
  },
  trainset,
  evaluator: async (batch, state, captureTraces) => {
    const evalResult = await adapter.evaluate(batch, state, captureTraces);
    return {
      instanceScores: evalResult.scores,
      metrics: evalResult.metrics,
      trajectories: evalResult.trajectories,
      objectives: {
        correctness: avg(evalResult.scores),
        latency: avg(evalResult.metrics?.map((m) => m.latency_ms ?? 0) ?? []),
      },
      metricCalls: batch.length,
    };
  },
  mutator: async (state, context) => {
    // mutate prompt text using failed examples in context.evaluation
    return { ...state, system: state.system + "\nBe stricter with priority mapping." };
  },
  objectives: { latency: { direction: "minimize" } },
  scalarObjective: "correctness",
  maxIterations: 5,
  maxMetricCalls: 100,
});

console.log("Best prompt:", result.bestState.system);
```

### 后遗症适应器桥

重用已有的 `GEPAAdapter` 与 `optimizeAnything`,使用时 `fromLegacyAdapter`数字 :

```ts
import { fromLegacyAdapter, optimizeAnything } from "@currentai/dsts";
// const adapter = new MyGEPAAdapter(...)
// const { evaluator, mutator } = fromLegacyAdapter(adapter)
```

## 如何运作

-   默认适配器根据 `schema` ; 收集 per-instance 分数、 耐久 ms 和 cost usd (在可用时通过符号) .
-   GEPA优化器维护候选档案,进行小批量反射,并接受改良儿童. 它计算出每个CANDIDA的衡量标准:
    -   正确性=平均值(分数\[\])
    -   纬度=-avg(纬度 ms)(存储的负高度更好)
    -   费用累计跟踪并通过 `maxBudgetUSD`。 。 。 .
-   帕雷托前部和2D超容量(精确来说是两个目标)每个迭代和末端都有记录.

### AI SDK 通过

通过对象变体 `taskLM` 直接将额外选项转发到 AI SDK 调用( 两者都) `generateObject` 财务报告和审定财务报表 `generateText`) (中文(简体) ). 所有未知的字段均被传播到适配器上,再传播到SDK上:

```ts
optimize({
  // ...
  taskLM: {
    model: "openai/gpt-5-nano",
    temperature: 0.2,
    providerOptions: { openai: { service_tier: "default" } },
    // tools, stopWhen, toolChoice, maxToolRoundtrips, experimentalTelemetry, etc. are also supported
  },
})
```

### 引导反射( 无模板)

使用 `reflectionHint` 在反射提示上方插入一个短导线串。 保持简洁:

```ts
optimize({
  // ...
  reflectionHint: "Prioritize exact field correctness; avoid hallucinating properties.",
})
```

关键文件 :

-   优化者 : `src/gepa.ts`
-   适配器 : `src/adapters/default-adapter.ts` (默认最大货币=10)
-   公共事业: `src/pareto-utils.ts`
-   类型 : `src/types.ts`
-   持久性: `src/persistence.ts`

## 设计选择

-   没有自定义的 LLM 类:通过模型代号为字符串(Gateway格式,例如, `openai/gpt-5-nano`) (中文(简体) ). 适配器直接使用AI SDK.
-   最小指针: 设置预算( )`maxMetricCalls`, (中文(简体) ), `maxBudgetUSD`),小批量大小,以及选取者. 货币违约为10.
-   默认的多目标:我们最乐观地共同追求正确性和耐久性;如果愿意,以后作为明确目标增加费用.

## 环境

-   AI网关默认. 设定 `AI_GATEWAY_API_KEY` 内 `.env` 或者在你的外壳中导出它.
-   如果你喜欢提供商 直接,交换给 `@ai-sdk/openai` 模型和通过模型对象;适配器会转发.

## 路线图

-   扩大超量和目标(例如作为第三个维度的成本),并有明确的参考点.
-   反映货币(可选)和父母/子女评价并行.

## 常见问题

### @currentai/dsts 是什么？

GEPA\( Genetic- Pareto\) TypeScript 优化器 - 通过反射演化实现多目标优化, 对 AI SDK 生成对象的一等支持

### 如何安装 @currentai/dsts？

在项目目录运行 npm install @currentai/dsts，或使用 pnpm add / yarn add / bun add。它还需要宿主项目提供 peer 依赖：zod（^4\.1\.0）。npm 7 及以上与 pnpm 8 及以上默认会自动安装必需的 peer 依赖，Yarn 需要手动安装。

### @currentai/dsts 支持 TypeScript 吗？

支持。包内自带 TypeScript 类型声明（package\.json 声明了 types 入口），安装后即可获得类型提示，无需再安装 @types 包。

### @currentai/dsts 支持 ESM 还是 CommonJS？

以 CommonJS 形式发布，可以直接 require\(\)；在 ES Module 项目中也可以用 import 引入（Node\.js 会把 module\.exports 作为默认导出）。

### @currentai/dsts 可以商用吗？

@currentai/dsts 使用 MIT 许可。宽松许可：允许商业使用、修改和再分发，通常只需在分发时保留原版权与许可声明。以上为概括，不构成法律意见，请以许可原文为准。

### @currentai/dsts 的下载量有多少？

根据 npm 官方下载统计，@currentai/dsts 在 2026/10/11 – 2026/11/09 这 30 天内被下载 67,551 次，日均约 2,252 次。下载量会把 CI 构建、镜像同步和作为其他包依赖的安装一并计入，适合横向比较热度，不能直接等同于使用人数。

### @currentai/dsts 还在维护吗？

最新版本 1\.0\.1 发布于 2026/03/09（8 个月前）；至今共发布 7 个版本，其中过去 12 个月发布了 1 个；首次发布于 2025/09/15。发布频率只是参考信号：功能稳定的工具可能很少需要更新，建议结合源码仓库的 issue 和提交记录判断。