AlphaEvolve verwenden

Nachdem Sie nun eine funktionierende Gemini Enterprise-Umgebung haben und der API-Zugriff bestätigt wurde, können Sie mit der AlphaEvolve API beginnen.

Im AlphaEvolve-Repository sind mehrere Assets und Artefakte verfügbar, die Ihnen bei der Ausführung Ihres ersten AlphaEvolve-Tests helfen:

• AlphaEvolve-Skills: Verwenden Sie diese Skills mit einem Coding-Assistenten, um den End-to-End-Workflow für AlphaEvolve-Tests zu vereinfachen.

• Beispieltests für Anwendungsfälle (Code): Hier finden Sie Beispielcode für eine Reihe von Optimierungsherausforderungen und AlphaEvolve-Anwendungsfälle wie kombinatorische Optimierung, multiobjektive Signalverarbeitung und LLM-Feinabstimmung.

• Cluster Toolkit-Beispiele: Vereinfachen Sie die Bereitstellung von Arbeitslasten für Hochleistungs-Computing (HPC), künstliche Intelligenz (KI) und maschinelles Lernen (ML) in der Google Cloud Google Cloud. Diese Beispiele dienen als Beschleuniger für die Bereitstellung benutzerdefinierter Container für Ihre Evaluatoren oder für die Kompilierung und Bereitstellung Ihrer optimierten Algorithmen.

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

AlphaEvolve-Skills für die agentenbasierte Entwicklung

Mit den AlphaEvolve-Skills können Sie AlphaEvolve-Tests direkt über einen agentenbasierten Coding-Assistenten wie Antigravity ausführen. Mit diesen Skills führt Sie Ihr Coding-Assistent durch den gesamten AlphaEvolve-Workflow, einschließlich der Konfiguration des Tests, der Ausführung der Evolutionsschleife, der Überwachung 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 Entwicklung von Python-Code.

• Einzelner Codeort: Das System wurde getestet, um jeweils einen Codeort zu entwickeln. Es kann zwar Kontext aus mehreren Dateien einbezogen werden, die gleichzeitige Optimierung mehrerer Entwicklungsblöcke wurde jedoch noch nicht validiert.

Nutzung

Authentifizieren Sie sich mit dem Google Cloud CLI:

   gcloud auth application-default login

Fordern Sie Ihren Coding-Assistenten auf, Ihren Code mit AlphaEvolve zu optimieren. Beispiele für Prompts:

• „Optimiere den Code dieses Modells mit AlphaEvolve, um 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 zu integrieren.

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

Hinweis: Der Berater-Skill dient nur zur Beratung und führt keine Tests aus oder ändert keinen Code. Sie können ihn aufrufen, indem Sie Fragen wie „Ist mein Problem für AlphaEvolve geeignet?“ oder „Wie sollte ich meinen Evaluator gestalten?“ stellen.

Tipp: Google Wir empfehlen, Google Cloud CLI 3.5 Flash als Coding- Assistentenmodell zu verwenden. Der Skill funktioniert am besten, wenn Sie eine Markdown-Datei bereitstellen, in der das Problem, das Ziel und relevante Hintergrundinformationen (z. B. Einschränkungen, Bewertungskriterien oder bekannte Baselines) definiert sind. Ihr Code muss die Marker # EVOLVE-BLOCK-START und # EVOLVE-BLOCK-END um den Code enthalten, der weiterentwickelt werden soll, sowie eine Bewertungsfunktion. Sie können diese manuell hinzufügen oder den Coding-Assistenten um Hilfe bitten (z. B. „Bereite diese Datei für die Optimierung mit AlphaEvolve vor.“).

AlphaEvolve-Anwendungsfälle

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

Anwendungsfall / Ebene	Beschreibung	Wichtigste Lernziele
Erste Schritte: Kombinatorische Optimierung (Grundlagen)	Entwickeln Sie eine reine Python-Heuristik, um Kreise in ein Einheitsquadrat zu packen oder finden Sie die kürzeste TSP-Tour, indem Sie die lokale exec() Bewertung ohne Null Cloud-Infrastruktur verwenden.	Lernen Sie die grundlegende Schleifenmechanik kennen (Seed-Programm → EVOLVE-BLOCK-Marker → Evaluator → Controller) und beobachten Sie die iterative Verbesserung der Baseline.
Multiobjektive Bewertung: Signalverarbeitung (Mittelstufe)	Entwickeln Sie einen adaptiven Zeitreihenfilter, der anhand von mehr als 14 konkurrierenden Messwerten (Glätte, Verzögerung, falsche Umkehrungen, Rauschunterdrückung usw.) für 5 nicht stationäre Testsignale bewertet wird.	Lernen Sie, gewichtete zusammengesetzte Ziele zu entwerfen, strukturierte Erkenntnisse für die Selbstkorrektur von LLMs zurückzugeben und Evaluatoren mit expliziten Zeitlimits zu schützen.
Remote-Bewertung im großen Maßstab: ML-Pipeline (Mittelstufe)	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 einer Dockerfile, cloudbuild.yaml, und mit Terraform bereitgestellten Artifact Registry / IAM-Ressourcen kennen.
GPU-Infrastruktur für die Produktion: LLM-Feinabstimmung (Fortgeschritten)	Entwickeln Sie LoRA-Hyperparameter für Gemma für ein Dataset mit Funktionsaufrufen, das auf automatisch skalierten L4-GPUs mit einem persistenten RayCluster in GKE trainiert wurde.	Lernen Sie, AlphaEvolve in die Trainingsinfrastruktur für die Produktion zu integrieren, mit Kostenkontrollen und vollständiger Beobachtbarkeit.

Google Cloud Batch (mit Cluster Toolkit)

Probleme bei der Algorithmusermittlung und -optimierung variieren je nach Typ und Rechenkosten der Evaluatoren. Einige Evaluatoren werden in derselben Python-Umgebung wie der Controller ausgeführt, andere erfordern eine spezielle Kompilierung oder Auslagerung auf Worker-Maschinen.

Dieses Beispiel zeigt, wie Sie die Ausführung von Evaluatoren an Google Cloud Batch auslagern können, wobei bei Bedarf benutzerdefinierte Container und Codekompilierung verwendet werden. Mit diesem Ansatz können Sie Optimierungen einrichten, die einen komplexen Softwarestack erfordern, z. B. die Ausführung einer ISV-/OSS-Anwendung oder die Optimierung von Teilen eines Softwarepakets für wissenschaftliche Berechnungen in situ. Mit Cloud Batch haben Sie die direkte Kontrolle über den erforderlichen Google Cloud Instanztyp und die Beschleunigerkonfigurationen.

Im Beispiel hpc-batch-ctk, das mit den AlphaEvolve-Assets bereitgestellt wird, werden folgende Elemente verwendet:

Eine Pub/Sub-Nachrichtenwarteschlange für die Kommunikation zwischen dem Controller und den Evaluatoren.

Ein Cloud Storage-Bucket zum Speichern von Testergebnissen.

Eine JupyterLab-Instanz, um den Datenzugriff und die Visualisierung zu erleichtern.

Google Cluster Toolkit wird verwendet, um alle erforderlichen Infrastrukturkomponenten zu konfigurieren und bereitzustellen. Weitere Informationen zum AlphaEvolve-EAP-Repository für die Bereitstellung finden Sie in der README-Datei im Ordner hpc-batch-ctk.