獎勵駭客行為會帶來多項風險。請參閱下文，瞭解風險和相應的緩解策略。
風險 1：
貪婪獎勵駭客攻擊。如果 Obj = w1*S1 + w2*S2 + w3*S3，AlphaEvolve 可能會發現 S2 能夠提高，並完全專注於 S2，忽略 S1 和 S3。
緩解措施：
降低子分數的權重。可能需要試跑 2 到 3 次，才能校正權重。初步基準模擬有助於瞭解幾種評分結果。
風險 2：
忽略限制處分。如果軟限制是懲罰
(Obj = Score - w*Penalty)，AlphaEvolve 可能會發現忽略限制
會產生更高的 Obj。
緩解措施：
大幅提高懲罰權重。如果問題持續發生，請在問題說明中加入明確指示，例如「無論分數高低，違反限制 X 的解決方案皆無效」。
風險 3：
濫用評估函式。AlphaEvolve 可能會找到導致評估器傳回不自然高分的輸入內容 (浮點邊緣案例、測試資料外洩)。
緩解措施：
使用固定隨機種子進行確定性評估。實驗結束後，使用保留資料驗證勝出者。
為防止獎勵遭駭，請實作下列一般技術：
使用 AST 檢查禁止的原語 (sys、os、inspect、eval、exec、getattr、setattr)，如果找到，則傳回
None。確認
EVOLVE-BLOCK以外的程式碼未變更 (文字差異或 AST)。使用相同輸入內容執行演化函式兩次，並確認輸出內容相同 (可偵測隨機性駭客攻擊)。
請檢查評估時間。如果幾微秒內就完成，可能是硬式編碼的答案。
將評分邏輯放在 LLM 看不到的獨立檔案中。