AlphaEvolve 概览

AlphaEvolve 是一款专业的 AI 编码智能体，它使用进化方法来解决算法发现、数学搜索和组合优化用例。它尤其适合属于 NP 完全或 NP 困难优化问题的应用场景。

AlphaEvolve 以给定编程语言的代码块作为主要输入，这些代码块定义了需要解决的算法发现或组合搜索用例。输入代码在功能上应正确无误，但仍需进行优化才能满足一组用户指定的评估指标所定义的特定全局（非功能性）性能标准。

该代理使用先进的进化启发式方法来搜索所有可能的算法设计选择和数学决策变量空间。这样一来，AlphaEvolve 就能找到可逐步提升目标优化目标效果的新计划。

AlphaEvolve 会针对多个连续的候选程序代际迭代执行此启发式方法，直到发现满足相应使用情形所需总体性能目标的新解决方案。

何时不应使用 AlphaEvolve

在以下情况下，您无法使用 AlphaEvolve：

• 基本代码生成：AlphaEvolve 不是通用的开发者助理（例如 Gemini CLI 或编码助理）。它不会采用纯自然语言描述或不完整、无法正常运行的代码来输出基准功能代码。
• 代码检查和代码样式：AlphaEvolve 并非旨在进行基本的代码优化，例如根据软件工程最佳实践或标准代码检查来清理代码。

AlphaEvolve 专门针对需要创新设计和执行图来优化代码的场景而设计。它旨在搜索可能解决方案的非常大的配置空间，其中所有候选方案在功能上都是正确的，但只有一部分满足所需的全局性能标准。

优化求解器和启发法的范围

下表展示了 AlphaEvolve 相对于经典优化求解器和启发式方法的适用范围。

求解器类别	求解器类别通常解决的问题类型	示例算法	AlphaEvolve 是否适用？	AlphaEvolve 差异化功能
具有连续变量的凸优化方法	线性规划 二次规划 非线性规划 非凸优化	单纯形法 内点方法	不适合。 现有算法可提供精确的解决方案，并且可能会优于 AE。
基于梯度的方法		梯度下降法（SGD 及相关方法） 拟牛顿法（BFGS、L-BFGS）
数学规划和形式化方法（即“经典”运筹学方法）	整数规划 混合整数线性规划 约束满足问题	基于 KKT 的方法 约束放宽（本身不是一种算法，但可供多种算法使用） 对偶和基于拉格朗日的方法 分支定界 分支定界	可能适用。 此外，AE 还可用于增强现有工具或对其进行调整。
元启发式搜索方法	不规则 / 不可微的目标函数存在问题。 在线优化问题	遗传算法 进化搜索 模拟退火 粒子群优化	可能适用。 此外，AE 还可用于增强现有工具或对其进行调整。
贝叶斯优化	未知或不透明框目标函数存在问题。 调优机器学习流水线	基于高斯过程 基于树的（TPE、SMAC）	绝对适用。
基于 LLM 和元启发式搜索的代理	代码和算法优化使用场景 非结构化 / 语义搜索空间存在问题（无法分解为一组离散的决策变量） 优化优化器使用情形	AlphaEvolve FunSearch（旧版）	绝对适用。 （无论是作为直接优化方法，还是作为改进现有贝叶斯优化方法的方式）