Usar o AlphaEvolve

Depois de ter um ambiente do Gemini Enterprise funcionando e confirmar o acesso à API, você poderá começar a usar a API AlphaEvolve.

Vários recursos e artefatos estão disponíveis no repositório do AlphaEvolve para ajudar você a executar seu primeiro experimento do AlphaEvolve:

• Habilidades do AlphaEvolve: use essas habilidades com um assistente de programação para facilitar o fluxo de trabalho completo dos experimentos do AlphaEvolve.

• Experimentos de casos de uso de exemplo (código): confira exemplos de código que abrangem uma gama de desafios de otimização e casos de uso do AlphaEvolve, como otimização combinatória, processamento de sinais com vários objetivos e ajuste de LLM.

• Exemplos do Cluster Toolkit: simplifique o processo de implantação de cargas de trabalho de computação de alto desempenho (HPC), inteligência artificial (IA) e machine learning (ML) no Google Cloud. Para mais informações, consulte Casos de uso do AlphaEvolve para HPC.

Para começar, clone o repositório AlphaEvolve ou faça o download do arquivo TAR fornecido.

Habilidades do AlphaEvolve para desenvolvimento agêntico

As habilidades do AlphaEvolve permitem que você execute experimentos do AlphaEvolve diretamente de um assistente de programação agêntico, como o Antigravity. Com essas habilidades, seu assistente de programação orienta você por todo o fluxo de trabalho do AlphaEvolve, incluindo a configuração do experimento, a execução do loop evolutivo, o monitoramento do progresso e a integração dos melhores resultados de volta ao seu código.

O repositório inclui seis habilidades específicas do AlphaEvolve, com um arquivo README.md e um arquivo SKILLS.md fornecidos para cada uma:

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

Limitações atuais

• Somente Python: as habilidades só oferecem suporte à evolução do código Python.

• Local de código único: o sistema é testado para evoluir um local de código por vez. Embora seja possível incluir contexto de vários arquivos, a otimização simultânea de vários blocos de evolução ainda não foi validada.

Uso

Faça a autenticação com a CLI do Google Cloud:

   gcloud auth application-default login

Peça ao assistente de programação para otimizar seu código com o AlphaEvolve. Confira alguns exemplos de comandos:

• "Use o AlphaEvolve para otimizar o código deste modelo e torná-lo mais rápido."

• "Configure um experimento do AlphaEvolve para encontrar um algoritmo melhor para essa função de programação."

• "Evolua essa função de perda para melhorar a convergência neste comparativo de mercado XYZ."

O assistente orienta você na configuração, executa o loop de avaliação e ajuda a integrar o melhor resultado de volta à base de código.

Além das habilidades de fluxo de trabalho, a habilidade alpha_evolve_consultant atua como um assistente especialista em perguntas e respostas para a AlphaEvolve. Ele pode ajudar você a determinar se um problema é adequado para o AlphaEvolve, orientar sobre a implementação do avaliador, explicar as opções de configuração de ambiente de execução e resolver problemas com base no guia de referência oficial do AlphaEvolve.

Observação: a habilidade de consultor é puramente consultiva e não executa experimentos nem modifica o código. Para invocá-lo, faça perguntas como "Meu problema é adequado para o AlphaEvolve?" ou "Como devo projetar meu avaliador?".

Dica: Google recomenda usar o Gemini 3.5 Flash como modelo de assistente de programação. A habilidade funciona melhor quando você fornece um arquivo Markdown que define o problema, o objetivo e os detalhes de contexto relevantes (como restrições, critérios de avaliação ou referências conhecidas). Seu código requer marcadores # EVOLVE-BLOCK-START e # EVOLVE-BLOCK-END ao redor do código que será evoluído, além de uma função de avaliação. Você pode adicioná-las manualmente ou pedir ajuda ao assistente de programação (por exemplo, "prepare este arquivo para otimização com o AlphaEvolve").

Casos de uso do AlphaEvolve

O repositório AlphaEvolve contém a biblioteca Python do lado do cliente e exemplos de experimentos na pasta use-cases. Revise o arquivo README antes de começar a usar estes exemplos selecionados:

Caso de uso / nível	Descrição	Foco principal do aprendizado
Primeiras etapas: otimização combinatória (básico)	Desenvolva uma heurística pura em Python para empacotar círculos em um quadrado unitário ou encontrar o menor percurso do TSP usando a avaliação local do exec() sem infraestrutura em nuvem.	Aprenda a mecânica do loop principal (programa de sementes → marcadores EVOLVE-BLOCK → avaliador → controlador) e observe a melhoria iterativa no valor de referência.
Avaliação de vários objetivos: processamento de indicadores (intermediário)	Desenvolva um filtro de série temporal adaptável avaliado em mais de 14 métricas concorrentes (suavidade, atraso, reversões falsas, redução de ruído etc.) em cinco sinais de teste não estacionários.	Aprenda a criar objetivos compostos ponderados, retornar insights estruturados para autocorreção de LLM e proteger avaliadores com tempos limite explícitos.
Avaliação remota em escala: pipeline de ML (intermediário)	Desenvolva um pipeline completo do scikit-learn (engenharia de atributos e seleção de modelos) pontuado por um avaliador conteinerizado no Cloud Run.	Aprenda padrões de avaliação remota usando um Dockerfile, cloudbuild.yaml e recursos do Artifact Registry / IAM provisionados pelo Terraform.
Infraestrutura de GPU de produção: ajuste de LLM (avançado)	Evolua os hiperparâmetros do LoRA para o Gemma em um conjunto de dados de chamada de função, treinado em GPUs L4 de escalonamento automático usando um RayCluster persistente no GKE.	Saiba como conectar o AlphaEvolve à infraestrutura de treinamento de produção com controles de custo e observabilidade total.