Próximas etapas

Agora que você tem um ambiente do Gemini Enterprise funcionando e confirmou o acesso à API, já pode começar a usar a API AlphaEvolve.

Vários recursos e artefatos estão disponíveis no repositório AlphaEvolve para ajudar você a executar seu primeiro experimento AlphaEvolve:

  • Habilidades do AlphaEvolve: use essas habilidades com um assistente de programação para facilitar o fluxo de trabalho completo dos experimentos do AlphaEvolve.

  • Exemplos de experimentos de caso de uso (código): confira um exemplo de código que abrange uma variedade de desafios de otimização e casos de uso do AlphaEvolve, como otimização combinatória, processamento de sinal multi-objetivo e ajuste fino de LLM.

  • Exemplos do Cluster Toolkit: simplifique o processo de implantação de cargas de trabalho de computação de alto desempenho (HPC), inteligência artificial (IA) e machine learning (ML) no Google Cloud. Esses exemplos servem como um acelerador para implantar contêineres personalizados para seus avaliadores ou compilar e veicular seus algoritmos otimizados.

Para começar, clone o repositório AlphaEvolve ou faça o download do arquivo TAR fornecido.

Habilidades do AlphaEvolve para desenvolvimento agêntico

Com as habilidades do AlphaEvolve, é possível executar experimentos diretamente de um assistente de programação autônomo, como o Antigravity. Com essas habilidades, o assistente de programação orienta você em todo o fluxo de trabalho do AlphaEvolve, incluindo a configuração do experimento, a execução do loop evolucionário, o monitoramento do progresso e a integração dos melhores resultados ao seu código.

O repositório inclui seis habilidades específicas do AlphaEvolve, com um arquivo README.md e SKILLS.md fornecido para cada uma:

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

Limitações atuais

  • Somente Python: as habilidades são compatíveis apenas com a evolução do código Python.

  • Localização única do código: o sistema é testado para evoluir uma localização de código por vez. Embora seja possível incluir contexto de vários arquivos, ainda não foi validado se é possível otimizar vários blocos de evolução simultaneamente.

Uso

  1. Faça a autenticação com a CLI do Google Cloud:

    gcloud auth application-default login

Peça ao seu assistente de programação para otimizar o código com o AlphaEvolve. Exemplos de comandos:

  • "Use o AlphaEvolve para otimizar o código deste modelo e torná-lo mais rápido."

  • "Configure um experimento do AlphaEvolve para encontrar um algoritmo melhor para essa função de programação."

  • "Evolua essa função de perda para melhorar a convergência nesse comparativo de mercado XYZ."

O assistente orienta você na configuração, executa o loop de avaliação e ajuda a integrar o melhor resultado de volta à sua base de código.

Além das habilidades de fluxo de trabalho, a alpha_evolve_consultant atua como um assistente especialista em perguntas e respostas para o AlphaEvolve. Ele pode ajudar você a determinar se um problema é adequado para o AlphaEvolve, aconselhar sobre a implementação do avaliador, explicar as opções de configuração de tempo de execução e resolver problemas com base no guia de referência oficial do AlphaEvolve.

Casos de uso do AlphaEvolve

O repositório AlphaEvolve contém a biblioteca Python do lado do cliente e exemplos de experimentos na pasta use-cases. Revise o arquivo README antes de começar com estes exemplos selecionados:

Caso de uso / Nível Descrição Foco principal do aprendizado
Primeiros passos: otimização combinatória (básica) Desenvolva uma heurística puramente em Python para agrupar círculos em um quadrado unitário ou encontre o menor percurso do TSP usando a avaliação local exec() com infraestrutura em nuvem zero. Aprenda a mecânica do loop principal (programa de seed → marcadores EVOLVE-BLOCK → avaliador → controlador) e observe a melhoria iterativa na linha de base.
Avaliação de vários objetivos: processamento de indicadores (intermediário) Desenvolve um filtro adaptativo de série temporal avaliado em mais de 14 métricas concorrentes (suavidade, atraso, reversões falsas, redução de ruído etc.) em cinco sinais de teste não estacionários. Aprenda a criar objetivos compostos ponderados, retornar insights estruturados para autocorreção de LLM e proteger avaliadores com tempos limite explícitos.
Avaliação remota em grande escala: pipeline de ML (intermediário) Desenvolver um pipeline completo do scikit-learn (engenharia de recursos e seleção de modelos) avaliado por um avaliador em contêiner no Cloud Run. Aprenda padrões de avaliação remota usando um Dockerfile, cloudbuild.yaml e recursos do Artifact Registry / IAM provisionados pelo Terraform.
Infraestrutura de GPU de produção: ajuste fino de LLM (avançado) Evolua os hiperparâmetros do LoRA para o Gemma em um conjunto de dados de chamada de função, treinado em GPUs L4 de escalonamento automático usando um RayCluster persistente no GKE. Aprenda a conectar o AlphaEvolve à infraestrutura de treinamento de produção com controles de custos e observabilidade total.

Google Cloud Lote (usando o Cluster Toolkit)

Os problemas de descoberta e otimização de algoritmos variam de acordo com o tipo e o custo de computação dos avaliadores. Embora alguns avaliadores sejam executados no mesmo ambiente Python que o controlador, outros exigem compilação dedicada ou descarregamento para máquinas de trabalho.

Este exemplo mostra como descarregar a execução do avaliador para o Google Cloud Batch, usando contêineres personalizados e compilação de código conforme necessário. Com essa abordagem, é possível configurar otimizações que exigem uma pilha de software complexa, como executar um aplicativo ISV/OSS ou otimizar partes de um pacote de software de computação científica in situ. O Cloud Batch oferece controle direto sobre o tipo de instância e as configurações de acelerador Google Cloud necessários.

O exemplo hpc-batch-ctk fornecido com os recursos do AlphaEvolve usa:

Uma fila de mensagens Pub ou Sub para comunicação entre o controlador e os avaliadores.

Um bucket do Cloud Storage para armazenar os resultados do experimento.

Uma instância do JupyterLab para facilitar o acesso e a visualização de dados.

O Cluster Toolkit do Google é usado para configurar e implantar todos os componentes de infraestrutura necessários. Para mais informações sobre o repositório EAP do AlphaEvolve para implantação, consulte as instruções na pasta hpc-batch-ctk localizada dentro do arquivo README.