שימוש ב-AlphaEvolve

אחרי שסביבת Gemini Enterprise פועלת ואישרתם את הגישה ל-API, אתם יכולים להתחיל להשתמש ב-AlphaEvolve API.

במאגר של AlphaEvolve יש כמה נכסים ופריטי מידע שיכולים לעזור לכם להריץ את הניסוי הראשון ב-AlphaEvolve:

  • מיומנויות של AlphaEvolve: אתם יכולים להשתמש במיומנויות האלה עם עזרה בתכנות כדי להקל על תהליך העבודה מקצה לקצה בניסויים של AlphaEvolve.

  • ניסויים לדוגמה (קוד): אתם יכולים לבחון קוד לדוגמה שכולל מגוון אתגרים באופטימיזציה ותרחישים לדוגמה של AlphaEvolve, כמו אופטימיזציה קומבינטורית, עיבוד אותות עם כמה יעדים וכוונון עדין של מודלים גדולים של שפה (LLM).

  • דוגמאות ל-Cluster Toolkit: פישוט התהליך של פריסת עומסי עבודה (workloads) של מחשוב עתיר ביצועים (HPC), בינה מלאכותית (AI) ולמידת מכונה (ML) ב- Google Cloud. תרחישים לדוגמה של AlphaEvolve ל-HPC

כדי להתחיל, משכפלים את המאגר של AlphaEvolve או מורידים את קובץ ה-TAR שסופק.

מיומנויות של AlphaEvolve לפיתוח אג'נטי

המיומנויות של AlphaEvolve מאפשרות להריץ ניסויים של AlphaEvolve ישירות מעוזר לתכנות מבוסס-סוכן, כמו Antigravity. בעזרת היכולות האלה, העוזר הדיגיטלי לתכנות מדריך אתכם לאורך כל תהליך העבודה של AlphaEvolve, כולל הגדרת הניסוי, הפעלת הלולאה האבולוציונית, מעקב אחרי ההתקדמות ושילוב התוצאות הטובות ביותר בקוד.

המאגר כולל שש מיומנויות ספציפיות של AlphaEvolve, ולכל אחת מהן יש קובץ README.md וקובץ SKILLS.md:

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

מגבלות נוכחיות

  • ‫Python בלבד: המיומנויות תומכות רק בפיתוח קוד Python.

  • מיקום קוד יחיד: המערכת נבדקת כדי לפתח מיקום קוד אחד בכל פעם. אפשר לכלול הקשר מכמה קבצים, אבל עדיין לא בדקנו את האופטימיזציה של כמה בלוקים של evolve בו-זמנית.

Usage

אימות באמצעות Google Cloud CLI:

   gcloud auth application-default login

בקשו מעוזר התכנות שלכם לבצע אופטימיזציה של הקוד באמצעות AlphaEvolve. דוגמאות להנחיות:

  • "תשתמש ב-AlphaEvolve כדי לשפר את הקוד של המודל הזה ולגרום לו לפעול מהר יותר".

  • "הגדר ניסוי ב-AlphaEvolve כדי למצוא אלגוריתם טוב יותר לפונקציית התזמון הזו".

  • "תפתח את פונקציית האובדן הזו כדי לשפר את ההתכנסות בנקודת ההשוואה הזו של XYZ".

העוזר הדיגיטלי ידריך אתכם בתהליך ההגדרה, יפעיל את לולאת ההערכה ויעזור לכם לשלב את התוצאה הטובה ביותר בבסיס הקוד.

בנוסף למיומנויות של תהליכי עבודה, המיומנות alpha_evolve_consultant פועלת כעוזר מומחה לשאלות ותשובות ב-AlphaEvolve. הוא יכול לעזור לכם לקבוע אם בעיה מסוימת מתאימה ל-AlphaEvolve, לייעץ לגבי הטמעת מעריך, להסביר את אפשרויות ההגדרה של זמן הריצה ולפתור בעיות על סמך המדריך הרשמי של AlphaEvolve.

תרחישים לדוגמה ב-AlphaEvolve

המאגר של AlphaEvolve מכיל את ספריית ה-Python בצד הלקוח וניסויים לדוגמה בתיקייה use-cases. לפני שמתחילים, כדאי לעיין בקובץ README עם הדוגמאות הבאות:

תרחיש לדוגמה / רמה תיאור התמקדות בלמידה בסיסית
תחילת העבודה: אופטימיזציה קומבינטורית (בסיסית) מפתחים היוריסטיקה של Python טהור כדי לארוז עיגולים בריבוע יחידה או למצוא את סיור ה-TSP הקצר ביותר באמצעות הערכת exec() מקומית ללא תשתית ענן. לומדים את המכניקה של הלולאה המרכזית (תוכנית ראשונית ← סמני EVOLVE-BLOCK ← מעריך ← בקר) וצופים בשיפור האיטרטיבי בערך הבסיס.
הערכה של כמה יעדים: עיבוד אותות (רמת ביניים) פיתוח מסנן סדרות זמנים אדפטיבי שנבחן על סמך יותר מ-14 מדדים מתחרים (חלקות, השהיה, היפוכים שגויים, הפחתת רעש וכו') ב-5 אותות בדיקה לא נייחים. לומדים איך לתכנן יעדים משוקללים, להחזיר תובנות מובנות לתיקון עצמי של מודל ה-LLM ולהגן על המעריכים באמצעות הגדרת זמן קצוב לתפוגה.
הערכה מרחוק בקנה מידה נרחב: פייפליין של ML (רמת ביניים) פיתוח צינור עיבוד נתונים מלא של scikit-learn (הנדסת פיצ'רים ובחירת מודל) שמקבל ניקוד על ידי מעריך בקונטיינר ב-Cloud Run. איך משתמשים בתבניות של הערכה מרחוק באמצעות Dockerfile,‏ cloudbuild.yaml ומשאבי Artifact Registry או IAM שהוקצו באמצעות Terraform.
תשתית GPU בסביבת ייצור: כוונון עדין של LLM (מתקדם) פיתוח של היפר-פרמטרים של LoRA ל-Gemma במערך נתונים של קריאה לפונקציות, שאומן על מעבדי GPU מסוג L4 עם התאמה לעומס (autoscaling) באמצעות RayCluster מתמיד ב-GKE. איך מחברים את AlphaEvolve לתשתית אימון בסביבת ייצור עם אמצעי בקרה על העלויות וניראות מלאה.