Passaggi successivi

Ora che hai un ambiente Gemini Enterprise funzionante e hai confermato l'accesso all'API, puoi iniziare a utilizzare l'API AlphaEvolve.

Nel repository AlphaEvolve sono disponibili diversi asset e artefatti che ti aiutano a eseguire il tuo primo esperimento AlphaEvolve:

• AlphaEvolve Skills: utilizza queste competenze con un assistente di codifica per facilitare il flusso di lavoro end-to-end per gli esperimenti AlphaEvolve.

• Esempi di esperimenti di casi d'uso (codice): esplora il codice campione che comprende una serie di sfide di ottimizzazione e casi d'uso di AlphaEvolve, come l'ottimizzazione combinatoria, l'elaborazione di segnali multi-obiettivo e l'ottimizzazione degli LLM.

• Esempi di Cluster Toolkit: semplifica il processo di deployment di workload di computing ad alte prestazioni (HPC), intelligenza artificiale (AI) e machine learning (ML) su Google Cloud. Questi esempi fungono da acceleratore per il deployment di container personalizzati per i tuoi valutatori o per la compilazione e la pubblicazione degli algoritmi ottimizzati.

Per iniziare, clona il repository AlphaEvolve o scarica il file TAR fornito.

Competenze di AlphaEvolve per lo sviluppo agentico

Le competenze di AlphaEvolve ti consentono di eseguire esperimenti AlphaEvolve direttamente da un assistente di codifica agentico, come Antigravity. Utilizzando queste competenze, l'assistente di codifica ti guida attraverso l'intero flusso di lavoro di AlphaEvolve, inclusa la configurazione dell'esperimento, l'esecuzione del ciclo evolutivo, il monitoraggio dei progressi e l'integrazione dei risultati migliori nel codice.

Il repository include sei competenze AlphaEvolve specifiche, con un README.md e un file SKILLS.md fornito per ciascuna:

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

Limitazioni correnti

• Solo Python: le competenze supportano solo l'evoluzione del codice Python.

• Singola posizione del codice: il sistema è testato per evolvere una posizione del codice alla volta. Sebbene sia possibile includere il contesto di più file, l'ottimizzazione simultanea di più blocchi di evoluzione non è ancora convalidata.

Utilizzo

1. Esegui l'autenticazione con Google Cloud CLI:

   gcloud auth application-default login
   

Chiedi all'assistente di codifica di ottimizzare il codice con AlphaEvolve. Di seguito sono riportati alcuni esempi di prompt:

• "Utilizza AlphaEvolve per ottimizzare il codice di questo modello in modo che sia più veloce."

• "Configura un esperimento AlphaEvolve per trovare un algoritmo migliore per questa funzione di pianificazione."

• "Evolvi questa funzione di perdita per migliorare la convergenza su questo benchmark XYZ."

L'assistente ti guida nella configurazione, esegue il ciclo di valutazione e ti aiuta a integrare il risultato migliore nella codebase.

Oltre alle competenze del flusso di lavoro, la competenza alpha_evolve_consultant funge da assistente esperto per domande e risposte per AlphaEvolve. Può aiutarti a determinare se un problema è adatto ad AlphaEvolve, a fornire indicazioni sull'implementazione del valutatore, a spiegare le opzioni di configurazione di runtime e a risolvere i problemi in base alla guida di riferimento ufficiale di AlphaEvolve.

Nota: la competenza del consulente è puramente consultiva e non esegue esperimenti né modifica il codice. Richiamala ponendo domande come "Il mio problema è adatto ad AlphaEvolve?" o "Come devo progettare il mio valutatore?".

Suggerimento: Google consiglia di utilizzare Google Cloud CLI 3.5 Flash come modello di assistente di codifica. La competenza funziona meglio quando fornisci un file Markdown che definisce il problema, l'obiettivo e i dettagli di sfondo pertinenti (ad esempio vincoli, criteri di valutazione o baseline note). Il codice richiede i marcatori # EVOLVE-BLOCK-START e # EVOLVE-BLOCK-END intorno al codice di destinazione per l'evoluzione, insieme a una funzione di valutazione. Puoi aggiungerli manualmente o chiedere aiuto all'assistente di codifica (ad esempio, "prepara questo file per l'ottimizzazione con AlphaEvolve").

Casi d'uso di AlphaEvolve

Il repository AlphaEvolve contiene la libreria Python lato client e gli esperimenti di esempio nella cartella use-cases. Esamina il file README prima di iniziare a utilizzare questi esempi curati:

Caso d'uso / Livello	Descrizione	Obiettivo di apprendimento principale
Per iniziare: ottimizzazione combinatoria (di base)	Evolvi un'euristica Python pura per inserire cerchi in un quadrato unitario o trovare il percorso TSP più breve utilizzando la valutazione exec() locale senza infrastruttura cloud.	Scopri le meccaniche del ciclo principale (programma di inizializzazione → marcatori EVOLVE-BLOCK → valutatore → controller) e osserva il miglioramento iterativo sulla baseline.
Valutazione multi-obiettivo: elaborazione dei segnali (intermedio)	Evolvi un filtro di serie temporali adattivo valutato su oltre 14 metriche concorrenti (uniformità, ritardo, inversioni false, riduzione del rumore e così via) su 5 segnali di test non stazionari.	Scopri come progettare obiettivi compositi ponderati, restituire informazioni strutturate per l'autocorrezione degli LLM e proteggere i valutatori con timeout espliciti.
Valutazione remota su larga scala: pipeline di ML (intermedio)	Evolvi una pipeline scikit-learn completa (feature engineering e selezione del modello) valutata da un valutatore containerizzato su Cloud Run.	Scopri i pattern di valutazione remota utilizzando un Dockerfile, cloudbuild.yaml, e le risorse di Artifact Registry / IAM con provisioning di Terraform.
Infrastruttura GPU di produzione: ottimizzazione degli LLM (avanzato)	Evolvi gli iperparametri LoRA per Gemma su un set di dati di chiamata di funzione, addestrato su GPU L4 con scalabilità automatica utilizzando un RayCluster persistente su GKE.	Scopri come connettere AlphaEvolve all'infrastruttura di addestramento di produzione con controlli dei costi e osservabilità completa.

Google Cloud Batch (utilizzo di Cluster Toolkit)

I problemi di rilevamento e ottimizzazione degli algoritmi variano in base al tipo e al costo di calcolo dei relativi valutatori. Mentre alcuni valutatori vengono eseguiti nello stesso ambiente Python del controller, altri richiedono la compilazione dedicata o l'offload alle macchine worker.

Questo esempio illustra come eseguire l'offload dell'esecuzione del valutatore a Google Cloud Batch, utilizzando la compilazione di container e codice personalizzati, se necessario. Questo approccio ti consente di configurare ottimizzazioni che richiedono uno stack software complesso (ad esempio l'esecuzione di un'applicazione ISV/OSS o l'ottimizzazione in situ di parti di un pacchetto software di calcolo scientifico). Cloud Batch fornisce il controllo diretto su il tipo di istanza e sulle configurazioni dell'acceleratore richiesti Google Cloud .

L'esempio hpc-batch-ctk fornito con gli asset AlphaEvolve utilizza:

Una coda di messaggi Pub o Sub per la comunicazione tra il controller e i valutatori.

Un bucket Cloud Storage per archiviare i risultati dell'esperimento.

Un'istanza di JupyterLab per facilitare l'accesso e la visualizzazione dei dati.

Google Cluster Toolkit viene utilizzato per configurare ed eseguire il deployment di tutti i componenti dell'infrastruttura richiesti. Per ulteriori informazioni sul repository EAP di AlphaEvolve per il deployment, consulta le istruzioni nella hpc-batch-ctk cartella all'interno del README file.