Langkah-langkah berikutnya

Setelah memiliki lingkungan Gemini Enterprise yang berfungsi dan telah mengonfirmasi akses API, Anda siap untuk mulai menggunakan AlphaEvolve API.

Beberapa aset dan artefak tersedia di repositori AlphaEvolve untuk membantu Anda menjalankan eksperimen AlphaEvolve pertama:

• Keahlian AlphaEvolve: Gunakan keahlian ini dengan asisten coding untuk memfasilitasi alur kerja end-to-end untuk eksperimen AlphaEvolve.

• Contoh eksperimen kasus penggunaan (kode): Jelajahi contoh kode yang mencakup berbagai tantangan pengoptimalan dan kasus penggunaan AlphaEvolve, seperti pengoptimalan kombinatorial, pemrosesan sinyal multi-tujuan, dan penyempurnaan LLM.

• Contoh Cluster Toolkit: Sederhanakan proses men-deploy workload komputasi berperforma tinggi (HPC), kecerdasan buatan (AI), dan machine learning (ML) di Google Cloud. Contoh ini berfungsi sebagai akselerator untuk men-deploy container kustom bagi evaluator Anda atau mengompilasi dan menayangkan algoritma yang dioptimalkan.

Untuk memulai, clone repositori AlphaEvolve atau download file TAR yang disediakan.

Keahlian AlphaEvolve untuk pengembangan agentic

Keahlian AlphaEvolve memungkinkan Anda menjalankan eksperimen AlphaEvolve langsung dari asisten coding agentic, seperti Antigravity. Dengan menggunakan keahlian ini, asisten coding akan memandu Anda melalui seluruh alur kerja AlphaEvolve, termasuk mengonfigurasi eksperimen, menjalankan loop evolusioner, memantau progres, dan mengintegrasikan hasil terbaik kembali ke kode Anda.

Repositori ini mencakup enam keahlian AlphaEvolve tertentu, dengan file README.md dan a SKILLS.md yang disediakan untuk setiap keahlian:

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

Batasan saat ini

• Khusus Python: Keahlian ini hanya mendukung evolusi kode Python.

• Satu lokasi kode: Sistem ini diuji untuk mengembangkan satu lokasi kode dalam satu waktu. Meskipun konteks dari beberapa file dapat disertakan, pengoptimalan beberapa blok evolusi secara bersamaan belum divalidasi.

Penggunaan

1. Lakukan autentikasi dengan Google Cloud CLI CLI:

   gcloud auth application-default login
   

Minta asisten coding Anda untuk mengoptimalkan kode dengan AlphaEvolve. Contoh perintah mencakup:

• "Gunakan AlphaEvolve untuk mengoptimalkan kode model ini agar lebih cepat."

• "Siapkan eksperimen AlphaEvolve untuk menemukan algoritma yang lebih baik untuk fungsi penjadwalan ini."

• "Kembangkan fungsi kerugian ini untuk meningkatkan konvergensi pada tolok ukur XYZ ini."

Asisten akan memandu Anda melalui konfigurasi, menjalankan loop evaluasi, dan membantu Anda mengintegrasikan hasil terbaik kembali ke basis kode.

Selain keahlian alur kerja, keahlian alpha_evolve_consultant bertindak sebagai asisten tanya jawab ahli untuk AlphaEvolve. Keahlian ini dapat membantu Anda menentukan apakah masalah cocok untuk AlphaEvolve, memberikan saran tentang penerapan evaluator, menjelaskan opsi konfigurasi runtime, dan memecahkan masalah berdasarkan panduan referensi AlphaEvolve resmi.

Catatan: Keahlian konsultan bersifat murni konsultatif dan tidak menjalankan eksperimen atau mengubah kode. Panggil dengan mengajukan pertanyaan seperti "Apakah masalah saya cocok untuk AlphaEvolve?" atau "Bagaimana cara mendesain evaluator?".

Tips: Google merekomendasikan penggunaan Google Cloud CLI 3.5 Flash sebagai model asisten coding. Keahlian ini berfungsi paling baik jika Anda menyediakan file Markdown yang menentukan masalah, tujuan, dan detail latar belakang yang relevan (seperti batasan, kriteria evaluasi, atau baseline yang diketahui). Kode Anda memerlukan penanda # EVOLVE-BLOCK-START dan # EVOLVE-BLOCK-END di sekitar kode yang ditargetkan untuk evolusi, bersama dengan fungsi evaluasi. Anda dapat menambahkannya secara manual atau meminta bantuan asisten coding (misalnya, "siapkan file ini untuk pengoptimalan dengan AlphaEvolve").

Kasus penggunaan AlphaEvolve

Repositori AlphaEvolve berisi library Python sisi klien dan contoh eksperimen di folder use-cases. Tinjau file README sebelum memulai contoh pilihan ini:

Kasus Penggunaan / Tingkat	Deskripsi	Fokus Pembelajaran Inti
Mulai: Pengoptimalan kombinatorial (dasar)	Kembangkan heuristik Python murni untuk mengemas lingkaran ke dalam persegi satuan atau menemukan tur TSP terpendek menggunakan evaluasi exec() lokal tanpa infrastruktur cloud.	Pelajari mekanisme loop inti (program awal → penanda EVOLVE-BLOCK → evaluator → pengontrol) dan amati peningkatan iteratif pada baseline.
Evaluasi multi-tujuan: Pemrosesan sinyal (Menengah)	Kembangkan filter deret waktu adaptif yang dinilai berdasarkan lebih dari 14 metrik yang bersaing (kehalusan, jeda, pembalikan palsu, pengurangan noise, dll.) di 5 sinyal pengujian non-stasioner.	Pelajari cara mendesain tujuan komposit berbobot, menampilkan insight terstruktur untuk koreksi mandiri LLM, dan melindungi evaluator dengan waktu tunggu eksplisit.
Evaluasi jarak jauh dalam skala besar: Pipeline ML (menengah)	Kembangkan pipeline scikit-learn lengkap (rekayasa fitur dan pemilihan model ) yang diberi skor oleh evaluator dalam container di Cloud Run.	Pelajari pola evaluasi jarak jauh menggunakan Dockerfile, cloudbuild.yaml, dan resource Artifact Registry / IAM yang disediakan Terraform.
Infrastruktur GPU produksi: Penyempurnaan LLM (lanjutan)	Kembangkan hiperparameter LoRA untuk Gemma pada set data panggilan fungsi, yang dilatih pada GPU L4 penskalaan otomatis menggunakan RayCluster persisten di GKE.	Pelajari cara menghubungkan AlphaEvolve ke infrastruktur pelatihan produksi dengan kontrol biaya dan kemampuan observasi penuh.

Google Cloud Batch (menggunakan Cluster Toolkit)

Masalah penemuan dan pengoptimalan algoritma bervariasi berdasarkan jenis dan biaya komputasi evaluator. Meskipun beberapa evaluator berjalan di lingkungan Python yang sama dengan pengontrol, evaluator lainnya memerlukan kompilasi khusus atau pengalihan ke mesin pekerja.

Contoh ini mengilustrasikan cara mengalihkan eksekusi evaluator ke Google Cloud Batch, menggunakan container dan kompilasi kode yang disesuaikan sesuai kebutuhan. Pendekatan ini memungkinkan Anda menyiapkan pengoptimalan yang memerlukan tumpukan software yang kompleks (seperti menjalankan aplikasi ISV/OSS atau mengoptimalkan bagian dari paket software komputasi ilmiah di tempat). Cloud Batch memberikan kontrol langsung atas jenis instance dan konfigurasi akselerator yang diperlukan. Google Cloud

Contoh hpc-batch-ctk yang disediakan dengan aset AlphaEvolve menggunakan:

Antrean pesan Pub atau Sub untuk komunikasi antara pengontrol dan evaluator.

Bucket Cloud Storage untuk menyimpan hasil eksperimen.

Instance JupyterLab untuk memfasilitasi akses dan visualisasi data.

Google Cluster Toolkit digunakan untuk mengonfigurasi dan men-deploy semua komponen infrastruktur yang diperlukan. Untuk mengetahui informasi selengkapnya tentang repositori EAP AlphaEvolve untuk deployment, lihat petunjuk di folder hpc-batch-ctk yang terletak di dalam file README.