Étapes suivantes

Maintenant que vous disposez d'un environnement Gemini Enterprise fonctionnel et que vous avez confirmé l'accès à l'API, vous êtes prêt à commencer à utiliser l'API AlphaEvolve.

Plusieurs ressources et artefacts sont disponibles dans le dépôt AlphaEvolve pour vous aider à exécuter votre première expérience AlphaEvolve :

• Compétences AlphaEvolve : utilisez ces compétences avec un assistant de codage pour faciliter le workflow de bout en bout des expériences AlphaEvolve.

• Exemples d'expériences de cas d'utilisation (code) : explorez des exemples de code couvrant un large éventail de défis d'optimisation et de cas d'utilisation d'AlphaEvolve, tels que l'optimisation combinatoire, le traitement du signal multi-objectif et le réglage fin des LLM.

• Exemples de Cluster Toolkit : simplifiez le déploiement de charges de travail de calcul hautes performances (HPC), d'intelligence artificielle (IA) et de machine learning (ML) sur Google Cloud. Ces exemples permettent d'accélérer le déploiement de conteneurs personnalisés pour vos évaluateurs ou la compilation et la diffusion de vos algorithmes optimisés.

Pour commencer, clonez le dépôt AlphaEvolve ou téléchargez le fichier TAR fourni.

Compétences AlphaEvolve pour le développement agentique

Les compétences AlphaEvolve vous permettent d'exécuter des expériences AlphaEvolve directement à partir d'un assistant de codage agentique, tel qu'Antigravity. Grâce à ces compétences, votre assistant de codage vous guide tout au long du workflow AlphaEvolve, y compris pour configurer l'expérience, exécuter la boucle évolutive, surveiller la progression et réintégrer les meilleurs résultats dans votre code.

Le dépôt inclut six compétences AlphaEvolve spécifiques, avec un fichier README.md et un fichier SKILLS.md fournis pour chacune d'elles :

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

Limites actuelles

• Python uniquement : les compétences ne sont compatibles qu'avec l'évolution du code Python.

• Emplacement unique du code : le système est testé pour faire évoluer un emplacement de code à la fois. Bien qu'il soit possible d'inclure le contexte de plusieurs fichiers, l'optimisation simultanée de plusieurs blocs Evolve n'a pas encore été validée.

Utilisation

1. Authentifiez-vous avec Google Cloud CLI :

   gcloud auth application-default login
   

Demandez à votre assistant de codage d'optimiser votre code avec AlphaEvolve. Voici quelques exemples de requêtes :

• "Utilise AlphaEvolve pour optimiser le code de ce modèle afin de le rendre plus rapide."

• "Configure un test AlphaEvolve pour trouver un meilleur algorithme pour cette fonction de planification."

• "Fais évoluer cette fonction de perte pour améliorer la convergence sur ce benchmark XYZ."

L'assistant vous guide tout au long de la configuration, exécute la boucle d'évaluation et vous aide à réintégrer le meilleur résultat dans votre codebase.

En plus de ses compétences en matière de workflow, la compétence alpha_evolve_consultant sert d'assistant expert en questions-réponses pour AlphaEvolve. Il peut vous aider à déterminer si un problème convient à AlphaEvolve, vous conseiller sur l'implémentation de l'évaluateur, vous expliquer les options de configuration d'exécution et résoudre les problèmes en fonction du guide de référence officiel d'AlphaEvolve.

Remarque : La compétence de consultant est purement consultative. Elle n'exécute pas d'expériences ni ne modifie le code. Pour l'invoquer, posez des questions comme "Mon problème est-il adapté à AlphaEvolve ?" ou "Comment dois-je concevoir mon évaluateur ?".

Conseil : Google recommande d'utiliser Google Cloud CLI 3.5 Flash comme modèle d'assistant de codage. La compétence fonctionne mieux lorsque vous fournissez un fichier Markdown qui définit le problème, l'objectif et les informations de contexte pertinentes (telles que les contraintes, les critères d'évaluation ou les règles de référence connues). Votre code nécessite des marqueurs # EVOLVE-BLOCK-START et # EVOLVE-BLOCK-END autour du code ciblé pour l'évolution, ainsi qu'une fonction d'évaluation. Vous pouvez les ajouter manuellement ou demander de l'aide à l'assistant de codage (par exemple, "prépare ce fichier pour l'optimisation avec AlphaEvolve").

Cas d'utilisation d'AlphaEvolve

Le dépôt AlphaEvolve contient la bibliothèque Python côté client et des exemples d'expériences dans le dossier use-cases. Avant de commencer à utiliser ces exemples sélectionnés, examinez le fichier README :

Cas d'utilisation / Niveau	Description	Objectif d'apprentissage principal
Premiers pas : optimisation combinatoire (de base)	Faites évoluer une heuristique Python pur pour regrouper des cercles dans un carré unité ou trouver le circuit TSP le plus court à l'aide d'une évaluation exec() locale sans infrastructure cloud.	Découvrez les mécanismes de la boucle principale (programme de départ → marqueurs EVOLVE-BLOCK → évaluateur → contrôleur) et observez l'amélioration itérative par rapport à la référence.
Évaluation multi-objectif : traitement du signal (niveau intermédiaire)	Faites évoluer un filtre de série temporelle adaptatif jugé sur plus de 14 métriques concurrentes (lissage, décalage, faux inversions, réduction du bruit, etc.) sur cinq signaux de test non stationnaires.	Découvrez comment concevoir des objectifs composites pondérés, renvoyer des insights structurés pour l'autocorrection des LLM et protéger les évaluateurs avec des délais d'attente explicites.
Évaluation à distance à grande échelle : pipeline de ML (niveau intermédiaire)	Faites évoluer un pipeline scikit-learn complet (extraction de caractéristiques et sélection de modèle) évalué par un évaluateur conteneurisé sur Cloud Run.	Découvrez les modèles d'évaluation à distance à l'aide d'une Dockerfile, d'un cloudbuild.yaml et de ressources IAM/Artifact Registry provisionnées par Terraform.
Infrastructure de GPU de production : affiner un LLM (niveau avancé)	Faites évoluer les hyperparamètres LoRA pour Gemma sur un ensemble de données d'appel de fonction, entraînés sur des GPU L4 à autoscaling à l'aide d'un RayCluster persistant sur GKE.	Découvrez comment connecter AlphaEvolve à l'infrastructure de formation de production avec des contrôles des coûts et une observabilité complète.

Google Cloud  Lot (avec Cluster Toolkit)

Les problèmes de découverte et d'optimisation d'algorithmes varient en fonction du type et du coût de calcul de leurs évaluateurs. Alors que certains évaluateurs s'exécutent dans le même environnement Python que le contrôleur, d'autres nécessitent une compilation dédiée ou un déchargement sur des machines de calcul.

Cet exemple montre comment décharger l'exécution de l'évaluateur vers Google CloudBatch, en utilisant des conteneurs et une compilation de code personnalisés, selon les besoins. Cette approche vous permet de configurer des optimisations qui nécessitent une pile logicielle complexe (par exemple, exécuter une application ISV/OSS ou optimiser des parties d'un package logiciel de calcul scientifique in situ). Cloud Batch permet de contrôler directement les configurations d'accélérateur et de type d'instance Google Cloud requises.

L'exemple hpc-batch-ctk fourni avec les composants AlphaEvolve utilise :

File d'attente de messages Pub/Sub pour la communication entre le contrôleur et les évaluateurs.

Bucket Cloud Storage pour stocker les résultats des tests.

Une instance JupyterLab pour faciliter l'accès aux données et leur visualisation.

Google Cluster Toolkit permet de configurer et de déployer tous les composants d'infrastructure requis. Pour en savoir plus sur le dépôt EAP AlphaEvolve pour le déploiement, consultez les instructions du dossier hpc-batch-ctk dans le fichier README.