使用 AlphaEvolve

在拥有正常运行的 Gemini Enterprise 环境并确认 API 访问权限后，您就可以开始使用 AlphaEvolve API 了。

AlphaEvolve 代码库中提供了多个资源和工件，可帮助您执行第一个 AlphaEvolve 实验：

• AlphaEvolve 技能：将这些技能与编码辅助搭配使用，可简化 AlphaEvolve 实验的端到端工作流程。

• 应用场景实验示例（代码）：探索涵盖一系列优化挑战和 AlphaEvolve 应用场景的示例代码，例如组合优化、多目标信号处理和 LLM 微调。

• Cluster Toolkit 示例：简化在 Google Cloud上部署高性能计算 (HPC)、人工智能 (AI) 和机器学习 (ML) 工作负载的过程。如需了解详情，请参阅 AlphaEvolve for HPC 用例。

首先，克隆 AlphaEvolve 代码库或下载提供的 TAR 文件。

AlphaEvolve 智能体开发技能

借助 AlphaEvolve skill，您可以直接从智能体编码辅助（例如 Antigravity）运行 AlphaEvolve 实验。利用这些技能，编码辅助可引导您完成整个 AlphaEvolve 工作流，包括配置实验、运行进化循环、监控进度以及将最佳结果集成回代码中。

代码库包含六项特定的 AlphaEvolve 技能，每项技能都提供了一个 README.md 文件和一个 SKILLS.md 文件：

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

当前限制

• 仅限 Python：技能仅支持演进 Python 代码。

• 单一代码位置：系统经过测试，一次只能演进一个代码位置。虽然可以包含来自多个文件的上下文，但同时优化多个 evolve 代码块尚未经过验证。

用法

使用 Google Cloud CLI 进行身份验证：

   gcloud auth application-default login

撰写提示词，让您的编码辅助使用 AlphaEvolve 优化代码。示例提示包括：

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

• “设置 AlphaEvolve 实验，为此调度函数找到更好的算法。”

• “Evolve this loss function to improve convergence on this XYZ benchmark.”

该助理会引导您完成配置、运行评估循环，并帮助您将最佳结果集成回代码库。

除了工作流技能之外，alpha_evolve_consultant 技能还可作为 AlphaEvolve 的专家问答助理。它可以帮助您确定问题是否适合 AlphaEvolve，就评估器实现提供建议，解释运行时配置选项，并根据官方 AlphaEvolve 参考指南排查问题。

注意： 顾问技能纯粹是咨询性的，不会执行实验或修改代码。您可以通过提出“我的问题是否适合 AlphaEvolve？”或“我应该如何设计评估器？”等问题来调用它。

提示： Google 建议使用 Gemini 3.5 Flash 作为编码辅助模型。如果您提供一个 Markdown 文件来定义问题、目标和相关背景详细信息（例如限制条件、评估标准或已知基准），该技能的效果最佳。您的代码需要使用 # EVOLVE-BLOCK-START 和 # EVOLVE-BLOCK-END 标记来标识要演进的代码，并提供一个评估函数。您可以手动添加这些内容，也可以向编码辅助寻求帮助（例如，“准备此文件，以便使用 AlphaEvolve 进行优化”）。

AlphaEvolve 用例

AlphaEvolve 代码库包含客户端 Python 库和 use-cases 文件夹中的示例实验。在开始使用这些精选示例之前，请先查看 README 文件：

使用场景/级别	说明	核心学习重点
入门：组合优化（基本）	使用本地 exec() 评估，在不使用任何云基础架构的情况下，演化出纯 Python 启发法，将圆圈打包到单位正方形中，或找到最短的 TSP 路径。	了解核心循环机制（种子程序 → EVOLVE-BLOCK 标记 → 评估器 → 控制器），并观察基准的迭代改进。
多目标评估：信号处理（中级）	根据 5 个非平稳测试信号，通过 14 个以上的竞争指标（平滑度、滞后、错误反转、降噪等）来评估自适应时间序列过滤器。	了解如何设计加权复合目标、返回结构化数据洞见以供 LLM 自我修正，以及通过显式超时保护评估器。
大规模远程评估：机器学习流水线（中级）	演进一个完整的 scikit-learn 流水线（特征工程和模型选择），由 Cloud Run 上的容器化评估器进行评分。	了解如何使用 Dockerfile、cloudbuild.yaml 和 Terraform 预配的 Artifact Registry/IAM 资源进行远程评估。
生产环境 GPU 基础架构：大语言模型微调（高级）	在函数调用数据集上为 Gemma 演化 LoRA 超参数，该数据集在 GKE 上使用永久性 RayCluster 在自动扩缩 L4 GPU 上进行训练。	了解如何将 AlphaEvolve 连接到生产训练基础设施，并实现成本控制和全面可观测性。