Próximos pasos

Ahora que tienes un entorno de Gemini Enterprise en funcionamiento y confirmaste el acceso a la API, puedes comenzar a usar la API de AlphaEvolve.

Hay varios recursos y artefactos disponibles en el repositorio de AlphaEvolve para ayudarte a ejecutar tu primer experimento de AlphaEvolve:

• Habilidades de AlphaEvolve: Usa estas habilidades con un asistente de programación para facilitar el flujo de trabajo de extremo a extremo para los experimentos de AlphaEvolve.

• Experimentos de casos de uso de ejemplo (código): Explora el código de muestra que abarca una variedad de desafíos de optimización y casos de uso de AlphaEvolve, como la optimización combinatoria, el procesamiento de señales de objetivos múltiples y el ajuste de LLM.

• Ejemplos de Cluster Toolkit: Simplifica el proceso de implementación de cargas de trabajo de computación de alto rendimiento (HPC), inteligencia artificial (IA) y aprendizaje automático (AA) en Google Cloud. Estos ejemplos sirven como acelerador para implementar contenedores personalizados para tus evaluadores o compilar y entregar tus algoritmos optimizados.

Para comenzar, clona el repositorio de AlphaEvolve o descarga el archivo TAR proporcionado.

Habilidades de AlphaEvolve para el desarrollo de agentes

Las habilidades de AlphaEvolve te permiten ejecutar experimentos de AlphaEvolve directamente desde un asistente de programación de agentes, como Antigravity. Con estas habilidades, tu asistente de programación te guía a través de todo el flujo de trabajo de AlphaEvolve, incluida la configuración del experimento, la ejecución del bucle evolutivo, la supervisión del progreso y la integración de los mejores resultados en tu código.

El repositorio incluye seis habilidades específicas de AlphaEvolve, con un README.md y un SKILLS.md archivo proporcionados para cada una:

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

Limitaciones actuales

• Solo Python: Las habilidades solo admiten la evolución del código de Python.

• Ubicación de código único: El sistema se prueba para evolucionar una ubicación de código a la vez. Si bien se puede incluir contexto de varios archivos, aún no se valida la optimización simultánea de varios bloques de evolución.

Uso

1. Autentica con la CLI de Google Cloud:

   gcloud auth application-default login
   

Pídele a tu asistente de programación que optimice tu código con AlphaEvolve. Estos son algunos ejemplos de mensajes:

• "Usa AlphaEvolve para optimizar el código de este modelo y hacerlo más rápido".

• "Configura un experimento de AlphaEvolve para encontrar un mejor algoritmo para esta función de programación".

• "Evoluciona esta función de pérdida para mejorar la convergencia en esta prueba comparativa XYZ".

El asistente te guía durante la configuración, ejecuta el bucle de evaluación y te ayuda a integrar el mejor resultado en tu base de código.

Además de las habilidades de flujo de trabajo, la habilidad alpha_evolve_consultant actúa como un asistente experto de preguntas y respuestas para AlphaEvolve. Puede ayudarte a determinar si un problema es adecuado para AlphaEvolve, asesorar sobre la implementación del evaluador, explicar las opciones de configuración del tiempo de ejecución y solucionar problemas según la guía de referencia oficial de AlphaEvolve.

Nota: La habilidad de consultor es puramente de asesoramiento y no ejecuta experimentos ni modifica el código. Para invocarla, haz preguntas como "¿Mi problema es adecuado para AlphaEvolve?" o "¿Cómo debo diseñar mi evaluador?".

Sugerencia: Google recomienda usar Google Cloud CLI 3.5 Flash como modelo de asistente de programación. La habilidad funciona mejor cuando proporcionas un archivo de Markdown que define el problema, el objetivo y los detalles de contexto relevantes (como restricciones, criterios de evaluación o líneas de base conocidas). Tu código requiere marcadores # EVOLVE-BLOCK-START y # EVOLVE-BLOCK-END alrededor del código destinado a la evolución, junto con una función de evaluación. Puedes agregarlos de forma manual o pedir ayuda al asistente de programación (por ejemplo, "prepara este archivo para la optimización con AlphaEvolve").

Casos de uso de AlphaEvolve

El repositorio de AlphaEvolve contiene la biblioteca de Python del cliente y experimentos de ejemplo en la carpeta use-cases. Revisa el archivo README antes de comenzar a usar estos ejemplos seleccionados:

Caso de uso / nivel	Descripción	Enfoque principal de aprendizaje
Primeros pasos: Optimización combinatoria (básico)	Evoluciona una heurística de Python puro para empaquetar círculos en un cuadrado unitario o encontrar el recorrido de TSP más corto con la evaluación local exec() sin infraestructura de la nube.	Aprende la mecánica del bucle principal (programa de inicialización → marcadores EVOLVE-BLOCK → evaluador → controlador) y observa la mejora iterativa en la línea de base.
Evaluación de objetivos múltiples: Procesamiento de señales (intermedio)	Evoluciona un filtro de series temporales adaptativo que se evalúa en más de 14 métricas competitivas (suavidad, retraso, reversiones falsas, reducción de ruido, etc.) en 5 señales de prueba no estacionarias.	Aprende a diseñar objetivos compuestos ponderados, devolver estadísticas estructuradas para la autocorrección de LLM y proteger a los evaluadores con tiempos de espera explícitos.
Evaluación remota a gran escala: Canalización de AA (intermedio)	Evoluciona una canalización completa de scikit-learn (ingeniería de atributos y selección de modelos) evaluada por un evaluador en contenedores en Cloud Run.	Aprende patrones de evaluación remota con un Dockerfile, cloudbuild.yaml, y recursos de Artifact Registry / IAM aprovisionados por Terraform.
Infraestructura de GPU de producción: Ajuste de LLM (avanzado)	Evoluciona los hiperparámetros de LoRA para Gemma en un conjunto de datos de llamada de función, entrenado en GPUs L4 de ajuste de escala automático con un RayCluster persistente en GKE.	Aprende a conectar AlphaEvolve a la infraestructura de entrenamiento de producción con controles de costos y observabilidad completa.

Google Cloud Por lotes (con Cluster Toolkit)

Los problemas de descubrimiento y optimización de algoritmos varían según el tipo y el costo de procesamiento de sus evaluadores. Si bien algunos evaluadores se ejecutan en el mismo entorno de Python que el controlador, otros requieren una compilación dedicada o una descarga a máquinas de trabajo.

En este ejemplo, se ilustra cómo descargar la ejecución del evaluador a Google Cloud Batch con contenedores personalizados y compilación de código según sea necesario. Este enfoque te permite configurar optimizaciones que requieren una pila de software compleja (como ejecutar una aplicación de ISV/OSS o optimizar partes de un paquete de software de computación científica in situ). Cloud Batch proporciona control directo sobre el tipo de instancia y las configuraciones del acelerador requeridos Google Cloud .

En el ejemplo hpc-batch-ctk que se proporciona con los recursos de AlphaEvolve, se usa lo siguiente:

Una cola de mensajes de Pub o Sub para la comunicación entre el controlador y los evaluadores.

Un bucket de Cloud Storage para almacenar los resultados del experimento

Una instancia de JupyterLab para facilitar el acceso y la visualización de datos

Se usa Google Cluster Toolkit para configurar y también, implementar todos los componentes de infraestructura necesarios. Para obtener más información sobre el repositorio de EAP de AlphaEvolve para la implementación, consulta las instrucciones en la hpc-batch-ctk carpeta ubicada dentro del README archivo.