AlphaEvolve 사용

작동하는 Gemini Enterprise 환경이 있고 API 액세스를 확인한 후에는 AlphaEvolve API를 시작할 수 있습니다.

AlphaEvolve 저장소에는 첫 번째 AlphaEvolve 실험을 실행하는 데 도움이 되는 여러 애셋과 아티팩트가 있습니다.

• AlphaEvolve 기술: 코딩 지원과 함께 이러한 기술을 사용하여 AlphaEvolve 실험의 엔드 투 엔드 워크플로를 용이하게 합니다.

• 사용 사례 실험 예시 (코드): 조합 최적화, 다중 목표 신호 처리, LLM 미세 조정과 같은 다양한 최적화 과제와 AlphaEvolve 사용 사례를 포괄하는 샘플 코드를 살펴봅니다.

• Cluster Toolkit 예시: Google Cloud에서 고성능 컴퓨팅 (HPC), 인공지능 (AI), 머신러닝 (ML) 워크로드를 배포하는 프로세스를 간소화합니다. 자세한 내용은 HPC 사용 사례를 위한 AlphaEvolve를 참조하세요.

시작하려면 AlphaEvolve 저장소를 클론하거나 제공된 TAR 파일을 다운로드합니다.

에이전트형 개발을 위한 AlphaEvolve 기술

AlphaEvolve 스킬을 사용하면 Antigravity와 같은 에이전트형 코딩 지원에서 직접 AlphaEvolve 실험을 실행할 수 있습니다. 코딩 어시스턴트는 이러한 기술을 사용하여 실험 구성, 진화 루프 실행, 진행 상황 모니터링, 최상의 결과를 코드에 다시 통합하는 등 전체 AlphaEvolve 워크플로를 안내합니다.

저장소에는 6개의 특정 AlphaEvolve 기술이 포함되어 있으며, 각 기술에 대해 README.md 및 SKILLS.md 파일이 제공됩니다.

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

현재 제한사항

• Python만 해당: 이 기술은 Python 코드의 진화만 지원합니다.

• 단일 코드 위치: 시스템은 한 번에 하나의 코드 위치를 발전시키도록 테스트됩니다. 여러 파일의 컨텍스트를 포함할 수 있지만 여러 evolve 블록을 동시에 최적화하는 것은 아직 검증되지 않았습니다.

사용

Google Cloud CLI로 인증합니다.

   gcloud auth application-default login

코딩 지원에게 AlphaEvolve를 사용하여 코드를 최적화하라는 프롬프트를 입력합니다. 프롬프트 예시에는 다음이 포함됩니다.

• "AlphaEvolve를 사용하여 이 모델의 코드를 최적화하고 속도를 높여 줘."

• "이 예약 함수에 더 나은 알고리즘을 찾기 위해 AlphaEvolve 실험을 설정해 줘."

• "이 손실 함수를 발전시켜 XYZ 벤치마크의 수렴을 개선해 줘."

어시스턴트는 구성을 안내하고, 평가 루프를 실행하고, 최상의 결과를 코드베이스에 다시 통합하는 데 도움을 줍니다.

alpha_evolve_consultant 스킬은 워크플로 스킬 외에도 AlphaEvolve의 전문 Q&A 어시스턴트 역할을 합니다. 이 도구는 문제가 AlphaEvolve에 적합한지 판단하고, 평가자 구현에 관해 조언하고, 런타임 구성 옵션을 설명하고, 공식 AlphaEvolve 참조 가이드를 기반으로 문제를 해결하는 데 도움이 됩니다.

참고: 컨설턴트 기술은 순전히 자문용이며 실험을 실행하거나 코드를 수정하지 않습니다. "내 문제가 AlphaEvolve에 적합한가요?" 또는 "평가자를 어떻게 설계해야 하나요?"와 같은 질문을 통해 호출할 수 있습니다.

도움말: Google 에서는 Gemini 3.5 Flash를 코딩 지원 모델로 사용하는 것을 권장합니다. 이 스킬은 문제, 목표, 관련 배경 세부정보 (예: 제약 조건, 평가 기준, 알려진 기준)를 정의하는 마크다운 파일을 제공할 때 가장 효과적입니다. 코드에는 평가 함수와 함께 진화 대상 코드 주위에 # EVOLVE-BLOCK-START 및 # EVOLVE-BLOCK-END 마커가 필요합니다. 이러한 항목을 수동으로 추가하거나 코딩 지원에 도움을 요청할 수 있습니다 (예: 'AlphaEvolve로 최적화할 수 있도록 이 파일 준비').

AlphaEvolve 사용 사례

AlphaEvolve 저장소에는 클라이언트 측 Python 라이브러리와 use-cases 폴더의 예시 실험이 포함되어 있습니다. 선별된 예시를 시작하기 전에 README 파일을 검토하세요.

사용 사례/수준	설명	핵심 학습 중점 분야
시작하기: 조합 최적화 (기본)	순수 Python 휴리스틱을 발전시켜 원을 단위 정사각형에 채우거나 클라우드 인프라 없이 로컬 exec() 평가를 사용하여 최단 TSP 투어를 찾습니다.	핵심 루프 메커니즘 (시드 프로그램 → EVOLVE-BLOCK 마커 → 평가자 → 컨트롤러)을 알아보고 기준에 대한 반복적인 개선을 관찰합니다.
다중 목표 평가: 신호 처리 (중급)	5개의 비정상 테스트 신호에 걸쳐 14개 이상의 경쟁 측정항목(부드러움, 지연, 잘못된 반전, 노이즈 감소 등)을 기준으로 판단되는 적응형 시계열 필터를 발전시킵니다.	가중치가 적용된 복합 목표를 설계하고, LLM 자체 수정을 위한 구조화된 인사이트를 반환하고, 명시적 제한 시간으로 평가자를 보호하는 방법을 알아봅니다.
대규모 원격 평가: ML 파이프라인 (중급)	Cloud Run에서 컨테이너화된 평가자가 점수를 매기는 전체 scikit-learn 파이프라인 (특성 추출 및 모델 선택)을 발전시킵니다.	Dockerfile, cloudbuild.yaml, Terraform으로 프로비저닝된 Artifact Registry/IAM 리소스를 사용하여 원격 평가 패턴을 알아봅니다.
프로덕션 GPU 인프라: LLM 미세 조정 (고급)	GKE에서 영구 RayCluster를 사용하여 자동 확장 L4 GPU에서 학습된 함수 호출 데이터 세트에서 Gemma의 LoRA 하이퍼파라미터를 진화시킵니다.	비용 관리 및 전체 모니터링 가능성을 통해 AlphaEvolve를 프로덕션 학습 인프라에 연결하는 방법을 알아봅니다.