Utiliser AlphaEvolve

Maintenant que vous disposez d'un environnement Gemini Enterprise fonctionnel et que vous avez confirmé l'accès à l'API, vous êtes prêt à commencer à utiliser l'API AlphaEvolve.

Plusieurs éléments et artefacts sont disponibles dans le dépôt AlphaEvolve pour vous aider à exécuter votre première expérience AlphaEvolve :

• Compétences AlphaEvolve : utilisez ces compétences avec un assistant de codage pour faciliter le workflow de bout en bout des expériences AlphaEvolve.

• Exemples d'expériences de cas d'utilisation (code) : explorez des exemples de code couvrant un éventail de défis d'optimisation et de cas d'utilisation d'AlphaEvolve, tels que l'optimisation combinatoire, le traitement de signaux multi-objectifs et le réglage précis de LLM.

• Exemples de Cluster Toolkit : simplifiez le processus de déploiement des charges de travail de calcul hautes performances (HPC), d'intelligence artificielle (IA) et de machine learning (ML) sur Google Cloud. Ces exemples servent d'accélérateur pour déployer des conteneurs personnalisés pour vos évaluateurs, ou pour compiler et diffuser vos algorithmes optimisés.

Pour commencer, clonez le dépôt AlphaEvolve ou téléchargez le fichier TAR fourni.

Compétences AlphaEvolve pour le développement d'agents

Les compétences AlphaEvolve vous permettent d'exécuter des expériences AlphaEvolve directement à partir d'un assistant de codage d'agent, tel que l'Antigravity. Grâce à ces compétences, votre assistant de codage vous guide tout au long du workflow AlphaEvolve, y compris pour configurer l'expérience, exécuter la boucle évolutive, surveiller la progression et intégrer les meilleurs résultats dans votre code.

Le dépôt inclut six compétences AlphaEvolve spécifiques, avec un README.md et un SKILLS.md fichier fournis pour chacune d'elles :

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

Limites actuelles

• Python uniquement : les compétences ne permettent de faire évoluer que le code Python.

• Emplacement de code unique : le système est testé pour faire évoluer un emplacement de code à la fois. Bien que le contexte de plusieurs fichiers puisse être inclus, l'optimisation simultanée de plusieurs blocs d'évolution n'est pas encore validée.

Utilisation

Authentifiez-vous avec Google Cloud CLI :

   gcloud auth application-default login

Demandez à votre assistant de codage d'optimiser votre code avec AlphaEvolve. Voici quelques exemples d'invites :

• "Utilise AlphaEvolve pour optimiser le code de ce modèle afin de le rendre plus rapide."

• "Configure une expérience AlphaEvolve pour trouver un meilleur algorithme pour cette fonction de planification."

• "Fais évoluer cette fonction de perte pour améliorer la convergence sur ce benchmark XYZ."

L'assistant vous guide tout au long de la configuration, exécute la boucle d'évaluation et vous aide à intégrer le meilleur résultat dans votre base de code.

En plus des compétences de workflow, la compétence alpha_evolve_consultant fait office d'assistant expert en questions-réponses pour AlphaEvolve. Elle peut vous aider à déterminer si un problème est adapté à AlphaEvolve, vous conseiller sur l'implémentation de l'évaluateur, vous expliquer les options de configuration d'exécution et résoudre les problèmes en vous basant sur le guide de référence officiel d'AlphaEvolve.

Remarque : La compétence de consultant est purement consultative et n'exécute pas d'expériences ni ne modifie le code. Pour l'appeler, posez des questions telles que "Mon problème est-il adapté à AlphaEvolve ?" ou "Comment dois-je concevoir mon évaluateur ?".

Conseil : Google recommande d'utiliser Google Cloud CLI 3.5 Flash comme modèle d'assistant de codage. La compétence fonctionne mieux lorsque vous fournissez un fichier Markdown qui définit le problème, l'objectif et les informations de contexte pertinentes (telles que les contraintes, les critères d'évaluation ou les bases de référence connues). Votre code nécessite des marqueurs # EVOLVE-BLOCK-START et # EVOLVE-BLOCK-END autour du code ciblé pour l'évolution, ainsi qu'une fonction d'évaluation. Vous pouvez les ajouter manuellement ou demander de l'aide à l'assistant de codage (par exemple, "préparer ce fichier pour l'optimisation avec AlphaEvolve").

Cas d'utilisation d'AlphaEvolve

Le dépôt AlphaEvolve contient la bibliothèque Python côté client et des exemples d'expériences dans le dossier use-cases. Consultez le fichier README avant de commencer à utiliser ces exemples sélectionnés :

Cas d'utilisation / Niveau	Description	Objectif d'apprentissage principal
Premiers pas : optimisation combinatoire (de base)	Faites évoluer une heuristique Python pur pour empaqueter des cercles dans un carré unitaire ou trouver le plus court chemin TSP à l'aide d'une évaluation locale exec() sans infrastructure cloud.	Découvrez les mécanismes de boucle principaux (programme de départ → marqueurs EVOLVE-BLOCK → évaluateur → contrôleur) et observez l'amélioration itérative par rapport à la base de référence.
Évaluation multi-objectifs : traitement du signal (intermédiaire)	Faites évoluer un filtre de série temporelle adaptatif jugé sur plus de 14 métriques concurrentes (lissage, décalage, inversions fausses, réduction du bruit, etc.) sur cinq signaux de test non stationnaires.	Apprenez à concevoir des objectifs composites pondérés, à renvoyer des insights structurés pour l'autocorrection LLM et à protéger les évaluateurs avec des délais d'attente explicites.
Évaluation à distance à grande échelle : pipeline de ML (intermédiaire)	Faites évoluer un pipeline scikit-learn complet (extraction de caractéristiques et sélection de modèles) noté par un évaluateur conteneurisé sur Cloud Run.	Découvrez les modèles d'évaluation à distance à l'aide d'un Dockerfile, cloudbuild.yaml, et de ressources Artifact Registry / IAM provisionnées par Terraform.
Infrastructure GPU de production : réglage précis de LLM (avancé)	Faites évoluer les hyperparamètres LoRA pour Gemma sur un ensemble de données d'appel de fonction, entraîné sur des GPU L4 à autoscaling à l'aide d'un RayCluster persistant sur GKE.	Apprenez à connecter AlphaEvolve à l'infrastructure d'entraînement de production avec des contrôles des coûts et une observabilité complète.

Google Cloud Lot (à l'aide de Cluster Toolkit)

Les problèmes de découverte et d'optimisation des algorithmes varient en fonction du type et du coût de calcul de leurs évaluateurs. Alors que certains évaluateurs s'exécutent dans le même environnement Python que le contrôleur, d'autres nécessitent une compilation dédiée ou un déchargement sur des machines de travail.

Cet exemple montre comment décharger l'exécution de l'évaluateur sur Google Cloud Batch, en utilisant des conteneurs personnalisés et la compilation de code, si nécessaire. Cette approche vous permet de configurer des optimisations qui nécessitent une pile logicielle complexe (par exemple, exécuter une application ISV/OSS ou optimiser des parties d'un package logiciel de calcul scientifique in situ). Cloud Batch offre un contrôle direct sur le type d'instance et les configurations d'accélérateur requis Google Cloud .

L'exemple hpc-batch-ctk fourni avec les éléments AlphaEvolve utilise les éléments suivants :

Une file d'attente de messages Pub ou Sub pour la communication entre le contrôleur et les évaluateurs.

Un bucket Cloud Storage pour stocker les résultats de l'expérience.

Une instance JupyterLab pour faciliter l'accès aux données et la visualisation.

Google Cluster Toolkit permet de configurer et de déployer tous les composants d'infrastructure requis. Pour en savoir plus sur le dépôt EAP AlphaEvolve pour le déploiement, consultez les instructions du hpc-batch-ctk dossier situé dans le README.