AlphaEvolve verwenden

Sobald Sie eine funktionierende Gemini Enterprise-Umgebung haben und den API-Zugriff bestätigt haben, können Sie mit der AlphaEvolve API beginnen.

Im AlphaEvolve-Repository sind mehrere Assets und Artefakte verfügbar, die Sie bei der Ausführung Ihres ersten AlphaEvolve-Experiments unterstützen:

• AlphaEvolve-Skills: Verwenden Sie diese Skills mit Unterstützung beim Programmieren, um den End-to-End-Workflow für AlphaEvolve-Experimente zu vereinfachen.

• Beispielhafte Anwendungsfälle (Code): Sehen Sie sich Beispielcode an, der eine Reihe von Optimierungsherausforderungen und AlphaEvolve-Anwendungsfällen abdeckt, z. B. kombinatorische Optimierung, Signalverarbeitung mit mehreren Zielen und LLM-Feinabstimmung.

• Cluster Toolkit-Beispiele: Vereinfachen Sie die Bereitstellung von Arbeitslasten für Hochleistungs-Computing (HPC), künstliche Intelligenz (KI) und maschinelles Lernen (ML) in Google Cloud. Weitere Informationen finden Sie unter AlphaEvolve für HPC-Anwendungsfälle.

Klonen Sie zuerst das AlphaEvolve-Repository oder laden Sie die bereitgestellte TAR-Datei herunter.

AlphaEvolve-Skills für die agentische Entwicklung

Mit den AlphaEvolve-Skills können Sie AlphaEvolve-Tests direkt über einen agentischen Programmierassistenten wie Antigravity ausführen. Mit diesen Fähigkeiten führt Sie Ihr Programmierassistent durch den gesamten AlphaEvolve-Workflow, einschließlich der Konfiguration des Experiments, der Ausführung der evolutionären Schleife, des Monitorings des Fortschritts und der Integration der besten Ergebnisse in Ihren Code.

Das Repository enthält sechs spezifische AlphaEvolve-Skills, für die jeweils eine README.md- und eine SKILLS.md-Datei bereitgestellt werden:

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

Aktuelle Beschränkungen

• Nur Python: Die Skills unterstützen nur die Weiterentwicklung von Python-Code.

• Einzelner Codespeicherort: Das System wird so getestet, dass jeweils nur ein Codespeicherort weiterentwickelt wird. Es kann zwar Kontext aus mehreren Dateien einbezogen werden, die gleichzeitige Optimierung mehrerer Evolve-Blöcke wurde jedoch noch nicht validiert.

Nutzung

Authentifizieren Sie sich mit dem Google Cloud CLI:

   gcloud auth application-default login

Fordern Sie Ihren Programmierassistenten auf, Ihren Code mit AlphaEvolve zu optimieren. Beispiele für Prompts:

• „Verwende AlphaEvolve, um den Code dieses Modells zu optimieren und es schneller zu machen.“

• „Richte einen AlphaEvolve-Test ein, um einen besseren Algorithmus für diese Planungsfunktion zu finden.“

• „Entwickle diese Verlustfunktion weiter, um die Konvergenz bei diesem XYZ-Benchmark zu verbessern.“

Der Assistent führt Sie durch die Konfiguration, führt die Bewertungsschleife aus und hilft Ihnen, das beste Ergebnis wieder in Ihre Codebasis einzubinden.

Zusätzlich zu den Workflow-Skills fungiert der alpha_evolve_consultant-Skill als Experte für Fragen und Antworten für AlphaEvolve. Er kann Ihnen helfen, festzustellen, ob ein Problem für AlphaEvolve geeignet ist, Sie bei der Implementierung von Evaluatoren beraten, Optionen für die Laufzeitkonfiguration erklären und Probleme anhand des offiziellen AlphaEvolve-Referenzhandbuchs beheben.

Hinweis: Der Consultant-Skill dient nur zur Beratung und führt keine Tests aus oder ändert Code. Rufen Sie es auf, indem Sie Fragen wie „Ist mein Problem für AlphaEvolve geeignet?“ oder „Wie sollte ich meinen Evaluator entwerfen?“ stellen.

Tipp: Google empfiehlt, Gemini 3.5 Flash als Modell für die Programmierunterstützung zu verwenden. Der Skill funktioniert am besten, wenn Sie eine Markdown-Datei bereitstellen, in der das Problem, das Ziel und relevante Hintergrunddetails (z. B. Einschränkungen, Bewertungskriterien oder bekannte Referenzen) definiert sind. Ihr Code erfordert die Markierungen # EVOLVE-BLOCK-START und # EVOLVE-BLOCK-END um den Code, der weiterentwickelt werden soll, sowie eine Bewertungsfunktion. Sie können diese manuell hinzufügen oder den Coding-Assistenten um Hilfe bitten (z. B. „Diese Datei für die Optimierung mit AlphaEvolve vorbereiten“).

Anwendungsfälle für AlphaEvolve

Das AlphaEvolve-Repository enthält die clientseitige Python-Bibliothek und Beispieltests im Ordner use-cases. Sehen Sie sich die Datei README an, bevor Sie mit diesen ausgewählten Beispielen beginnen:

Anwendungsfall/Stufe	Beschreibung	Wichtigste Lernschwerpunkte
Erste Schritte: Kombinatorische Optimierung (Grundlagen)	Entwickeln Sie eine reine Python-Heuristik, um Kreise in ein Einheitsquadrat zu packen oder die kürzeste TSP-Tour mithilfe der lokalen exec()-Bewertung ohne Cloud-Infrastruktur zu finden.	Lernen Sie die grundlegenden Mechanismen der Schleife kennen (Seed-Programm → EVOLVE-BLOCK-Markierungen → Evaluator → Controller) und beobachten Sie die iterative Verbesserung der Baseline.
Multi-objective evaluation: Signal processing (Intermediate)	Entwicklung eines adaptiven Zeitreihenfilters, der anhand von mehr als 14 konkurrierenden Messwerten (Glätte, Verzögerung, falsche Umkehrungen, Rauschunterdrückung usw.) für 5 nicht stationäre Testsignale bewertet wird.	Hier erfahren Sie, wie Sie gewichtete zusammengesetzte Ziele entwerfen, strukturierte Informationen für die Selbstkorrektur von LLMs zurückgeben und Evaluatoren mit expliziten Zeitlimits schützen.
Remote-Bewertung in großem Umfang: ML-Pipeline (mittleres Niveau)	Entwickeln Sie eine vollständige scikit-learn-Pipeline (Feature Engineering und Modellauswahl), die von einem containerisierten Evaluator in Cloud Run bewertet wird.	Lernen Sie Remote-Bewertungsmuster mit einem Dockerfile, cloudbuild.yaml und von Terraform bereitgestellten Artifact Registry-/IAM-Ressourcen kennen.
Produktions-GPU-Infrastruktur: LLM-Feinabstimmung (erweitert)	LoRA-Hyperparameter für Gemma für ein Dataset mit Funktionsaufrufen entwickeln, das auf automatisch skalierenden L4-GPUs mit einem nichtflüchtigen RayCluster in der GKE trainiert wurde.	Hier erfahren Sie, wie Sie AlphaEvolve mit Kostenkontrolle und vollständiger Beobachtbarkeit in die Produktions-Trainingsinfrastruktur einbinden.