Menggunakan AlphaEvolve

Setelah memiliki lingkungan Gemini Enterprise yang berfungsi dan telah mengonfirmasi akses API, Anda siap untuk mulai menggunakan AlphaEvolve API.

Beberapa aset dan artefak tersedia di repositori AlphaEvolve untuk membantu Anda menjalankan eksperimen AlphaEvolve pertama:

  • Keterampilan AlphaEvolve: Gunakan keterampilan ini dengan asisten coding untuk memfasilitasi alur kerja end-to-end untuk eksperimen AlphaEvolve.

  • Contoh eksperimen kasus penggunaan (kode): Jelajahi kode contoh yang mencakup berbagai tantangan pengoptimalan dan kasus penggunaan AlphaEvolve, seperti pengoptimalan kombinatorial, pemrosesan sinyal multi-objektif, dan penyesuaian LLM.

  • Contoh Cluster Toolkit: Menyederhanakan proses men-deploy workload komputasi berperforma tinggi (HPC), kecerdasan buatan (AI), dan machine learning (ML) di Google Cloud. Contoh ini berfungsi sebagai akselerator untuk men-deploy penampung kustom bagi evaluator Anda atau mengompilasi dan menayangkan algoritma yang dioptimalkan.

Untuk memulai, clone repositori AlphaEvolve atau download file TAR yang disediakan.

Keterampilan AlphaEvolve untuk pengembangan agentic

Keahlian AlphaEvolve memungkinkan Anda menjalankan eksperimen AlphaEvolve langsung dari asisten coding agentik, seperti Antigravity. Dengan menggunakan keterampilan ini, asisten coding Anda akan memandu Anda melalui seluruh alur kerja AlphaEvolve, termasuk mengonfigurasi eksperimen, menjalankan loop evolusioner, memantau progres, dan mengintegrasikan kembali hasil terbaik ke dalam kode Anda.

Repositori mencakup enam keterampilan AlphaEvolve tertentu, dengan file README.md dan SKILLS.md yang disediakan untuk setiap keterampilan:

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

Batasan saat ini

  • Khusus Python: Keterampilan ini hanya mendukung kode Python yang berkembang.

  • Lokasi kode tunggal: Sistem diuji untuk mengembangkan satu lokasi kode dalam satu waktu. Meskipun konteks dari beberapa file dapat disertakan, pengoptimalan beberapa blok evolusi secara bersamaan belum divalidasi.

Penggunaan

Lakukan autentikasi dengan Google Cloud CLI:

   gcloud auth application-default login

Minta asisten coding Anda untuk mengoptimalkan kode Anda dengan AlphaEvolve. Contoh perintah mencakup:

  • "Use AlphaEvolve to optimize the code of this model to make it faster."

  • "Siapkan eksperimen AlphaEvolve untuk menemukan algoritma yang lebih baik untuk fungsi penjadwalan ini."

  • "Evolusikan fungsi kerugian ini untuk meningkatkan konvergensi pada tolok ukur XYZ ini."

Asisten akan memandu Anda melakukan konfigurasi, menjalankan loop evaluasi, dan membantu Anda mengintegrasikan kembali hasil terbaik ke dalam codebase.

Selain keterampilan alur kerja, keterampilan alpha_evolve_consultant bertindak sebagai asisten tanya jawab ahli untuk AlphaEvolve. Alat ini dapat membantu Anda menentukan apakah suatu masalah cocok untuk AlphaEvolve, memberikan saran tentang penerapan evaluator, menjelaskan opsi konfigurasi runtime, dan memecahkan masalah berdasarkan panduan referensi resmi AlphaEvolve.

Kasus penggunaan AlphaEvolve

Repositori AlphaEvolve berisi library Python sisi klien dan contoh eksperimen di folder use-cases. Tinjau file README sebelum memulai contoh pilihan ini:

Kasus Penggunaan / Tingkat Deskripsi Fokus Pembelajaran Inti
Mulai: Pengoptimalan kombinatorial (dasar) Mengembangkan heuristik Python murni untuk mengemas lingkaran ke dalam persegi satuan atau menemukan tur TSP terpendek menggunakan evaluasi exec() lokal tanpa infrastruktur cloud. Pelajari mekanisme loop inti (program awal → penanda EVOLVE-BLOCK → evaluator → pengontrol) dan amati peningkatan iteratif pada dasar pengukuran.
Evaluasi multi-tujuan: Pemrosesan sinyal (Menengah) Mengembangkan filter deret waktu adaptif yang dinilai berdasarkan lebih dari 14 metrik yang bersaing (kelancaran, jeda, pembalikan palsu, peredaman bising, dll.) di 5 sinyal pengujian non-stasioner. Pelajari cara mendesain tujuan komposit berbobot, menampilkan insight terstruktur untuk koreksi mandiri LLM, dan melindungi evaluator dengan waktu tunggu eksplisit.
Evaluasi jarak jauh dalam skala besar: Pipeline ML (menengah) Mengembangkan pipeline scikit-learn lengkap (rekayasa fitur dan pemilihan model) yang diberi skor oleh evaluator dalam container di Cloud Run. Pelajari pola evaluasi jarak jauh menggunakan Dockerfile, cloudbuild.yaml, dan resource Artifact Registry/IAM yang disediakan Terraform.
Infrastruktur GPU produksi: Penyesuaian LLM (lanjutan) Mengembangkan hiperparameter LoRA untuk Gemma pada set data panggilan fungsi, yang dilatih pada GPU L4 penskalaan otomatis menggunakan RayCluster persisten di GKE. Pelajari cara menghubungkan AlphaEvolve ke infrastruktur pelatihan produksi dengan kontrol biaya dan kemampuan observasi penuh.

Google Cloud Batch (menggunakan Cluster Toolkit)

Masalah penemuan dan pengoptimalan algoritma bervariasi berdasarkan jenis dan biaya komputasi evaluatornya. Meskipun beberapa evaluator berjalan di lingkungan Python yang sama dengan pengontrol, evaluator lainnya memerlukan kompilasi khusus atau offload ke mesin pekerja.

Contoh ini menggambarkan cara memindahkan eksekusi evaluator ke Batch Google Cloud, menggunakan container dan kompilasi kode yang disesuaikan sesuai kebutuhan. Pendekatan ini memungkinkan Anda menyiapkan pengoptimalan yang memerlukan stack software yang kompleks (seperti menjalankan aplikasi ISV/OSS atau mengoptimalkan bagian dari paket software komputasi ilmiah di tempat). Cloud Batch memberikan kontrol langsung atas konfigurasi akselerator dan jenis instance yang diperlukan Google Cloud .

Contoh hpc-batch-ctk yang disediakan dengan aset AlphaEvolve menggunakan:

Antrean pesan Pub atau Sub untuk komunikasi antara pengontrol dan evaluator.

Bucket Cloud Storage untuk menyimpan hasil eksperimen.

Instance JupyterLab untuk memfasilitasi akses dan visualisasi data.

Cluster Toolkit Google digunakan untuk mengonfigurasi dan men-deploy semua komponen infrastruktur yang diperlukan. Untuk mengetahui informasi selengkapnya tentang repositori EAP AlphaEvolve untuk deployment, lihat petunjuk di folder hpc-batch-ctk yang ada di dalam file README.