AlphaEvolve を使用する

Gemini Enterprise 環境が動作し、API アクセスを確認したら、AlphaEvolve API を使用する準備が整います。

AlphaEvolve リポジトリには、最初の AlphaEvolve テストの実行に役立つアセットとアーティファクトがいくつか用意されています。

  • AlphaEvolve スキル: これらのスキルをコーディング支援で使用して、AlphaEvolve のテストのエンドツーエンドのワークフローを容易にします。

  • ユースケースのテスト例（コード）: 組み合わせ最適化、多目的信号処理、LLM のファインチューニングなど、さまざまな最適化の課題と AlphaEvolve のユースケースを網羅したサンプルコードを確認できます。

  • Cluster Toolkit の例: Google Cloudにハイ パフォーマンス コンピューティング（HPC）、AI、ML のワークロードをデプロイするプロセスを簡素化します。詳細については、HPC ユースケース向けの AlphaEvolve をご覧ください。

まず、AlphaEvolve リポジトリのクローンを作成するか、提供されている TAR ファイルをダウンロードします。

エージェント開発のための AlphaEvolve スキル

AlphaEvolve スキルを使用すると、Antigravity などのエージェント型コーディング支援から AlphaEvolve テストを直接実行できます。これらのスキルを使用して、コーディング支援は、AlphaEvolve ワークフロー全体をガイドします。これには、テストの構成、進化ループの実行、進行状況のモニタリング、最適な結果のコードへの統合が含まれます。

リポジトリには、6 つの特定の AlphaEvolve スキルが含まれており、それぞれに README.md ファイルと SKILLS.md ファイルが用意されています。

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

現在の制限

  • Python のみ: スキルは Python コードの進化のみをサポートします。

  • 単一のコードの場所: システムは、一度に 1 つのコードの場所を進化させるようにテストされます。複数のファイルからのコンテキストを含めることはできますが、複数の evolve ブロックを同時に最適化することはまだ検証されていません。

用途

Google Cloud CLI で認証します。

   gcloud auth application-default login

コーディング支援に、AlphaEvolve を使用してコードを最適化するよう指示します。プロンプトの例を次に示します。

  • 「AlphaEvolve を使用してこのモデルのコードを最適化し、高速化してください。」

  • 「このスケジューリング関数に適したアルゴリズムを見つけるために、AlphaEvolve テストを設定してください。」

  • 「この XYZ ベンチマークの収束を改善するために、この損失関数を進化させてください。」

アシスタントが構成を案内し、評価ループを実行して、最適な結果をコードベースに統合できるようにします。

ワークフロー スキルに加えて、alpha_evolve_consultant スキルは AlphaEvolve の専門的な Q&A アシスタントとして機能します。問題が AlphaEvolve に適しているかどうかの判断、評価ツールの実装に関するアドバイス、ランタイム構成オプションの説明、公式の AlphaEvolve リファレンス ガイドに基づく問題のトラブルシューティングに役立ちます。

AlphaEvolve のユースケース

AlphaEvolve リポジトリには、クライアントサイドの Python ライブラリと、use-cases フォルダ内のサンプルテストが含まれています。これらのキュレートされた例を始める前に、README ファイルを確認してください。

ユースケース / レベル 説明 コア: 学習の重点
スタートガイド: 組み合わせ最適化（基本） 純粋な Python ヒューリスティックを進化させて、円を単位正方形に詰め込むか、クラウド インフラストラクチャを使用せずにローカル exec() 評価を使用して最短の TSP ツアーを見つけます。 コアループのメカニズム（シード プログラム → EVOLVE-BLOCK マーカー → 評価ツール → コントローラ）を学び、ベースラインの反復的な改善を観察します。
多目的評価: 信号処理（中級） 5 つの非定常テスト信号にわたって 14 を超える競合指標（滑らかさ、ラグ、誤反転、ノイズ リダクションなど）で判断される適応型時系列フィルタを進化させます。 重み付けされた複合目標を設計し、LLM の自己修正のために構造化された分析情報を返し、明示的なタイムアウトで評価者を保護する方法を学びます。
大規模なリモート評価: ML パイプライン（中級） Cloud Run のコンテナ化されたエバリュエータによってスコア付けされた完全な scikit-learn パイプライン（特徴量エンジニアリングとモデル選択）を進化させます。 Dockerfile、cloudbuild.yaml、Terraform でプロビジョニングされた Artifact Registry / IAM リソースを使用したリモート評価パターンについて学習します。
プロダクション GPU インフラストラクチャ: LLM のファインチューニング（高度） GKE 上の永続的な RayCluster を使用して自動スケーリング L4 GPU でトレーニングされた、関数呼び出しデータセットで Gemma の LoRA ハイパーパラメータを進化させます。 費用管理と完全なオブザーバビリティを備えた本番環境のトレーニング インフラストラクチャに AlphaEvolve を接続する方法を学習します。