Cómo usar AlphaEvolve

Después de que tengas un entorno de Gemini Enterprise en funcionamiento y hayas confirmado el acceso a la API, estará todo listo para comenzar a usar la API de AlphaEvolve.

Hay varios recursos y artefactos disponibles en el repositorio de AlphaEvolve para ayudarte a ejecutar tu primer experimento de AlphaEvolve:

• Habilidades de AlphaEvolve: Usa estas habilidades con un asistente de programación para facilitar el flujo de trabajo de extremo a extremo para los experimentos de AlphaEvolve.

• Experimentos de casos de uso de ejemplo (código): Explora el código de muestra que abarca una variedad de desafíos de optimización y casos de uso de AlphaEvolve, como la optimización combinatoria, el procesamiento de señales de varios objetivos y el ajuste de LLM.

• Ejemplos de Cluster Toolkit: Simplifica el proceso de implementación de cargas de trabajo de computación de alto rendimiento (HPC), inteligencia artificial (IA) y aprendizaje automático (AA) en Google Cloud. Para obtener más información, consulta AlphaEvolve para casos de uso de HPC cases.

Para comenzar, clona el repositorio de AlphaEvolve o descarga el archivo TAR proporcionado.

Habilidades de AlphaEvolve para el desarrollo de agentes

Las habilidades de AlphaEvolve te permiten ejecutar experimentos de AlphaEvolve directamente desde un asistente de programación de agentes, como Antigravity. Con estas habilidades, tu asistente de programación te guía a través de todo el flujo de trabajo de AlphaEvolve, incluida la configuración del experimento, la ejecución del bucle evolutivo, la supervisión del progreso y la integración de los mejores resultados en tu código.

El repositorio incluye seis habilidades específicas de AlphaEvolve, con un README.md y un SKILLS.md archivo proporcionados para cada una:

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

Limitaciones actuales

• Solo Python: Las habilidades solo admiten la evolución del código de Python.

• Ubicación de código único: El sistema se prueba para evolucionar una ubicación de código a la vez. Si bien se puede incluir contexto de varios archivos, aún no se valida la optimización simultánea de varios bloques de evolución.

Uso

Autentica con Google Cloud CLI

   gcloud auth application-default login

Pídele a tu asistente de programación que optimice tu código con AlphaEvolve. Estos son algunos ejemplos de instrucciones:

• "Usa AlphaEvolve para optimizar el código de este modelo y hacerlo más rápido".

• "Configura un experimento de AlphaEvolve para encontrar un mejor algoritmo para esta función de programación".

• "Evoluciona esta función de pérdida para mejorar la convergencia en esta comparativa XYZ".

El asistente te guía durante la configuración, ejecuta el bucle de evaluación y te ayuda a integrar el mejor resultado en tu base de código.

Además de las habilidades de flujo de trabajo, la habilidad alpha_evolve_consultant actúa como un asistente experto en preguntas y respuestas para AlphaEvolve. Puede ayudarte a determinar si un problema es adecuado para AlphaEvolve, asesorar sobre la implementación del evaluador, explicar las opciones de configuración del tiempo de ejecución y solucionar problemas según la guía de referencia oficial de AlphaEvolve.

Nota: La habilidad de consultor es puramente de asesoramiento y no ejecuta experimentos ni modifica el código. Para invocarla, haz preguntas como "¿Mi problema es adecuado para AlphaEvolve?" o "¿Cómo debo diseñar mi evaluador?".

Sugerencia: Google recomienda usar Gemini 3.5 Flash como modelo de asistente de programación. La habilidad funciona mejor cuando proporcionas un archivo Markdown que define el problema, el objetivo y los detalles de antecedentes relevantes (como restricciones, criterios de evaluación o líneas de base conocidas). Tu código requiere marcadores # EVOLVE-BLOCK-START y # EVOLVE-BLOCK-END alrededor del código destinado a la evolución, junto con una función de evaluación. Puedes agregarlos de forma manual o pedirle ayuda al asistente de programación (por ejemplo, "prepara este archivo para la optimización con AlphaEvolve").

Casos de uso de AlphaEvolve

El repositorio de AlphaEvolve contiene la biblioteca de Python del cliente y experimentos de ejemplo en la carpeta use-cases. Revisa el archivo README antes de comenzar a usar estos ejemplos seleccionados:

Caso de uso / nivel	Descripción	Enfoque principal de aprendizaje
Primeros pasos: Optimización combinatoria (básico)	Evoluciona una heurística de Python puro para empaquetar círculos en un cuadrado unitario o encontrar el recorrido más corto de TSP con la evaluación exec() local sin infraestructura de nube.	Aprende la mecánica del bucle principal (programa de inicialización → marcadores EVOLVE-BLOCK → evaluador → controlador) y observa la mejora iterativa en la línea de base.
Evaluación de varios objetivos: Procesamiento de señales (intermedio)	Evoluciona un filtro de series temporales adaptativo que se juzga en más de 14 métricas competitivas (suavidad, retraso, reversiones falsas, reducción de ruido, etc.) en 5 señales de prueba no estacionarias.	Aprende a diseñar objetivos compuestos ponderados, devolver estadísticas estructuradas para la autocorrección de LLM y proteger a los evaluadores con tiempos de espera explícitos.
Evaluación remota a gran escala: Canalización de AA (intermedio)	Evoluciona una canalización completa de scikit-learn (ingeniería de atributos y selección de modelos ) calificada por un evaluador en contenedores en Cloud Run.	Aprende patrones de evaluación remota con un Dockerfile, cloudbuild.yaml, y recursos de Artifact Registry / IAM aprovisionados por Terraform.
Infraestructura de GPU de producción: Ajuste de LLM (avanzado)	Evoluciona los hiperparámetros de LoRA para Gemma en un conjunto de datos de llamada de función, entrenado en GPUs L4 de ajuste de escala automático con un RayCluster persistente en GKE.	Aprende a conectar AlphaEvolve a la infraestructura de entrenamiento de producción con controles de costos y observabilidad completa.