Usar o AlphaEvolve

Agora que você tem um ambiente do Gemini Enterprise em funcionamento e confirmou o acesso à API, já pode 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.

• Exemplos de experimentos de caso de uso (código): confira exemplos de código que abrangem uma variedade de desafios de otimização e casos de uso do AlphaEvolve, como otimização combinatória, processamento de sinais multi-objetivo e ajuste fino 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. Esses exemplos servem como um acelerador para implantar contêineres personalizados para seus avaliadores ou compilar e disponibilizar seus algoritmos otimizados.

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

Habilidades do AlphaEvolve para desenvolvimento de agentes

As habilidades do AlphaEvolve permitem executar experimentos do AlphaEvolve diretamente de um assistente de programação de agentes, como o Antigravity. Usando essas habilidades, o assistente de programação orienta você em 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 README.md e um arquivo SKILLS.md fornecido para cada uma delas:

• 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 oferecem suporte apenas à evolução do código Python.

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

Uso

Faça a autenticação com a Google Cloud CLI:

   gcloud auth application-default login

Peça ao assistente de programação para otimizar seu código com o AlphaEvolve. Exemplos de comandos incluem:

• "Use o AlphaEvolve para otimizar o código desse 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 nesse 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 sua base de código.

Além das habilidades de fluxo de trabalho, a habilidade alpha_evolve_consultant funciona como um assistente especialista em perguntas e respostas para o AlphaEvolve. Ela pode ajudar você a determinar se um problema é adequado para o AlphaEvolve, aconselhar sobre a implementação do avaliador, explicar as opções de configuração de execução e solucionar 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-la, faça perguntas como "Meu problema é adequado para o AlphaEvolve?" ou "Como devo projetar meu avaliador?".

Dica: Google recomenda o uso do Google Cloud CLI 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 relevantes do plano de fundo (como restrições, critérios de avaliação ou linhas de base conhecidas). Seu código exige marcadores # EVOLVE-BLOCK-START e # EVOLVE-BLOCK-END em torno do código destinado à evolução, além de uma função de avaliação. É possível adicioná-los 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 do AlphaEvolve contém a biblioteca Python do lado do cliente e exemplos de experimentos na pasta use-cases. Analise o arquivo README antes de começar a usar esses exemplos selecionados:

Caso de uso / Nível	Descrição	Foco principal do aprendizado
Introdução: otimização combinatória (básica)	Evolua uma heurística Python pura para empacotar círculos em um quadrado unitário ou encontrar o tour TSP mais curto usando a avaliação exec() local com infraestrutura em nuvem zero.	Aprenda a mecânica do loop principal (programa de semente → marcadores EVOLVE-BLOCK → avaliador → controlador) e observe a melhoria iterativa na linha de base.
Avaliação multi-objetivo: processamento de sinais (intermediário)	Evolua um filtro de série temporal adaptável julgado em mais de 14 métricas concorrentes (suavidade, atraso, reversões falsas, redução de ruído etc.) em cinco sinais de teste não estacionários.	Aprenda a projetar 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)	Evolua um pipeline completo do scikit-learn (engenharia de recursos e seleção de modelos) pontuado por um avaliador em contêiner 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 fino de LLM (avançado)	Evolua os hiperparâmetros 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.	Aprenda a conectar o AlphaEvolve à infraestrutura de treinamento de produção com controles de custos e observabilidade completa.

Google Cloud Lote (usando o Cluster Toolkit)

Os problemas de descoberta e otimização de algoritmos variam de acordo com o tipo e o custo de computação dos avaliadores. Embora alguns avaliadores sejam executados no mesmo ambiente Python que o controlador, outros exigem compilação dedicada ou descarregamento para máquinas de trabalho.

Este exemplo ilustra como descarregar a execução do avaliador para Google Cloud o Batch, usando contêineres personalizados e compilação de código conforme necessário. Essa abordagem permite configurar otimizações que exigem uma pilha de software complexa (como executar um aplicativo ISV/OSS ou otimizar partes de um pacote de software de computação científica in situ). O Cloud Batch oferece controle direto sobre o tipo de instância e as configurações de acelerador necessários. Google Cloud

O exemplo hpc-batch-ctk fornecido com os recursos do AlphaEvolve usa:

Uma fila de mensagens de publicação ou assinatura para comunicação entre o controlador e os avaliadores.

Um bucket do Cloud Storage para armazenar os resultados do experimento.

Uma instância do JupyterLab para facilitar o acesso aos dados e a visualização.

O Google Cluster Toolkit é usado para configurar e implantar todos os componentes de infraestrutura necessários. Para mais informações sobre o repositório EAP do AlphaEvolve para implantação, consulte as instruções na hpc-batch-ctk pasta localizada dentro do README arquivo.