Nächste Schritte

Nachdem Sie eine funktionierende Gemini Enterprise-Umgebung eingerichtet und den API-Zugriff bestätigt haben, können Sie mit der AlphaEvolve API beginnen.

Im AlphaEvolve-Repository sind mehrere Assets und Artefakte verfügbar, die Ihnen bei der Durchführung Ihres ersten AlphaEvolve-Tests helfen:

• AlphaEvolve-Skills: Verwenden Sie diese Skills mit einem Coding-Assistenten, um den End-to-End-Workflow für AlphaEvolve-Tests zu vereinfachen.

• Beispielanwendungsfall-Tests (Code): Hier finden Sie Beispielcode für eine Reihe von Optimierungsherausforderungen und AlphaEvolve-Anwendungsfällen, z. B. kombinatorische Optimierung, Verarbeitung von Signalen mit mehreren Zielsetzungen und LLM-Feinabstimmung.

• Cluster Toolkit-Beispiele: Vereinfachen Sie die Bereitstellung von Arbeitslasten aus den Bereichen Hochleistungs-Computing (HPC), künstliche Intelligenz (KI) und maschinelles Lernen (ML) in Google Cloud. Diese Beispiele sollen Ihnen helfen, benutzerdefinierte Container für Ihre Evaluatoren bereitzustellen oder Ihre optimierten Algorithmen zu kompilieren und bereitzustellen.

Klonen Sie zuerst das AlphaEvolve-Repository oder laden Sie die bereitgestellte TAR-Datei herunter.

AlphaEvolve-Skills für die Entwicklung von KI-Agenten

Mit den AlphaEvolve-Skills können Sie AlphaEvolve-Tests direkt über einen agentischen Programmierassistenten wie Antigravity ausführen. Mithilfe dieser Fähigkeiten führt Sie Ihr Coding-Assistent durch den gesamten AlphaEvolve-Workflow, einschließlich der Konfiguration des Tests, der Ausführung des Evolutionszyklus, der Überwachung des Fortschritts und der Integration der besten Ergebnisse in Ihren Code.

Das Repository enthält sechs spezifische AlphaEvolve-Skills, für die jeweils eine README.md- und eine SKILLS.md-Datei bereitgestellt wird:

• alpha_evolve_consultant
• alpha_evolve_experiment_design
• alpha_evolve_monitor
• alpha_evolve_orchestrator
• alpha_evolve_post_experiment
• alpha_evolve_runner

Aktuelle Beschränkungen

• Nur Python: Die Skills unterstützen nur die Entwicklung von Python-Code.

• Einzelner Code-Standort: Das System wird getestet, um jeweils einen Code-Standort zu entwickeln. Es kann zwar Kontext aus mehreren Dateien einbezogen werden, die gleichzeitige Optimierung mehrerer Evolve-Blöcke ist jedoch noch nicht validiert.

Nutzung

1. Authentifizieren Sie sich mit der Google Cloud CLI:

   gcloud auth application-default login
   

Fordern Sie Ihren Coding-Assistenten auf, Ihren Code mit AlphaEvolve zu optimieren. Beispiele für Prompts:

• „Verwende AlphaEvolve, um den Code dieses Modells zu optimieren, damit es schneller ausgeführt wird.“

• „Richte einen AlphaEvolve-Test ein, um einen besseren Algorithmus für diese Planungsfunktion zu finden.“

• „Entwickle diese Verlustfunktion weiter, um die Konvergenz für diesen XYZ-Benchmark zu verbessern.“

Der Assistent führt Sie durch die Konfiguration, führt die Auswertungsschleife aus und hilft Ihnen, das beste Ergebnis wieder in Ihre Codebasis zu integrieren.

Zusätzlich zu den Workflow-Skills fungiert der alpha_evolve_consultant-Skill als Experte für Fragen und Antworten für AlphaEvolve. Es kann Ihnen helfen, festzustellen, ob ein Problem für AlphaEvolve geeignet ist, Sie bei der Implementierung von Evaluator zu beraten, Laufzeitkonfigurationsoptionen zu erläutern und Probleme anhand des offiziellen AlphaEvolve-Referenzleitfadens zu beheben.

Hinweis :Die Empfehlungen des Beraters sind rein beratend. Es werden keine Tests ausgeführt und kein Code geändert. Sie können es aufrufen, indem Sie Fragen wie „Ist mein Problem für AlphaEvolve geeignet?“ oder „Wie sollte ich meinen Evaluator gestalten?“ stellen.

Tipp :Google empfiehlt, Google Cloud CLI 3.5 Flash als Modell für den Coding-Assistenten zu verwenden. Die Skill funktioniert am besten, wenn Sie eine Markdown-Datei bereitstellen, in der das Problem, das Ziel und relevante Hintergrundinformationen (z. B. Einschränkungen, Bewertungskriterien oder bekannte Baselines) definiert sind. Für Ihren Code sind # EVOLVE-BLOCK-START- und # EVOLVE-BLOCK-END-Markierungen um den Code erforderlich, der für die Weiterentwicklung vorgesehen ist, sowie eine Bewertungsfunktion. Sie können diese manuell hinzufügen oder den Coding-Assistenten um Hilfe bitten (z. B. „Bereite diese Datei für die Optimierung mit AlphaEvolve vor“).

AlphaEvolve-Anwendungsfälle

Das AlphaEvolve-Repository enthält die clientseitige Python-Bibliothek und Beispieltests im Ordner use-cases. Sehen Sie sich die Datei README an, bevor Sie mit diesen kuratierten Beispielen beginnen:

Anwendungsfall / Stufe	Beschreibung	Wichtigste Lernziele
Erste Schritte: Kombinatorische Optimierung (einfach)	Entwickeln Sie eine reine Python-Heuristik, um Kreise in ein Einheitsquadrat zu packen oder die kürzeste TSP-Tour zu finden, indem Sie die lokale exec()-Bewertung ohne Cloud-Infrastruktur verwenden.	Sie lernen die Mechanik des Core-Loops kennen (Seed-Programm → EVOLVE-BLOCK-Marker → Evaluator → Controller) und beobachten die iterative Verbesserung gegenüber der Baseline.
Bewertung mehrerer Ziele: Signalverarbeitung (Mittelstufe)	Entwicklung eines adaptiven Zeitreihenfilters, der anhand von über 14 konkurrierenden Messwerten (Glättung, Verzögerung, falsche Umkehrungen, Rauschunterdrückung usw.) für 5 nicht stationäre Testsignale bewertet wird.	Hier erfahren Sie, wie Sie gewichtete zusammengesetzte Zielvorhaben entwerfen, strukturierte Informationen für die LLM-Selbstkorrektur zurückgeben und Prüfer mit expliziten Zeitlimits schützen.
Bewertung per Fernzugriff im großen Maßstab: ML-Pipeline (Mittelstufe)	Entwickeln Sie eine vollständige scikit-learn-Pipeline (Feature Engineering und Modellauswahl), die von einem containerisierten Evaluator in Cloud Run bewertet wird.	Informationen zu Mustern für die Remote-Bewertung mit einer Dockerfile, cloudbuild.yaml und Terraform-bereitgestellten Artifact Registry-/IAM-Ressourcen.
GPU-Infrastruktur für die Produktion: LLM-Feinabstimmung (erweitert)	LoRA-Hyperparameter für Gemma für einen Datensatz mit Funktionsaufrufen optimieren, der auf automatisch skalierten L4-GPUs mit einem persistenten RayCluster in GKE trainiert wurde.	Hier erfahren Sie, wie Sie AlphaEvolve mit der Infrastruktur für das Training in der Produktionsumgebung verbinden und dabei die Kosten im Blick behalten und die vollständige Beobachtbarkeit nutzen.

Google Cloud Batch (mit dem Cluster Toolkit)

Die Probleme bei der Ermittlung und Optimierung von Algorithmen variieren je nach Typ und Rechenaufwand der Evaluatoren. Einige Evaluatoren werden in derselben Python-Umgebung wie der Controller ausgeführt, für andere ist eine spezielle Kompilierung oder Auslagerung auf Worker-Maschinen erforderlich.

In diesem Beispiel wird veranschaulicht, wie die Ausführung von Evaluatoren an Google CloudBatch ausgelagert wird. Dabei werden nach Bedarf benutzerdefinierte Container und die Codekompilierung verwendet. Mit diesem Ansatz können Sie Optimierungen einrichten, für die ein komplexer Softwarestack erforderlich ist, z. B. das Ausführen einer ISV-/OSS-Anwendung oder das Optimieren von Teilen eines wissenschaftlichen Softwarepakets für Computing in situ. Cloud Batch bietet direkte Kontrolle über den erforderlichen Google Cloud Instanztyp und die Beschleunigerkonfigurationen.

Im hpc-batch-ctk-Beispiel, das mit den AlphaEvolve-Assets bereitgestellt wird, werden folgende Elemente verwendet:

Eine Pub/Sub-Nachrichtenwarteschlange für die Kommunikation zwischen dem Controller und den Evaluatoren.

Ein Cloud Storage-Bucket zum Speichern von Testergebnissen.

Eine JupyterLab-Instanz, um den Datenzugriff und die Datenvisualisierung zu erleichtern.

Das Cluster Toolkit von Google wird verwendet, um alle erforderlichen Infrastrukturkomponenten zu konfigurieren und bereitzustellen. Weitere Informationen zum AlphaEvolve EAP-Repository für die Bereitstellung finden Sie in der README-Datei im Ordner hpc-batch-ctk.