使用 AlphaEvolve

现在，您已拥有可正常运行的 Gemini Enterprise 环境并已确认 API 访问权限，可以开始使用 AlphaEvolve API 了。

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

  • AlphaEvolve 技能：将这些技能与编码助理搭配使用，可简化 AlphaEvolve 实验的端到端工作流。

  • 示例用例实验（代码）：探索涵盖一系列优化挑战和 AlphaEvolve 用例（例如组合优化、多目标信号处理和 LLM 微调）的示例代码。

  • 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。这些示例可帮助您快速部署评估器的自定义容器，或编译和提供优化后的算法。

如需开始使用，请克隆 AlphaEvolve 代码库或下载提供的 TAR 文件。

用于智能体开发的 AlphaEvolve 技能

借助 AlphaEvolve 技能，您可以直接从智能体编码助理（例如 Antigravity）运行 AlphaEvolve 实验。使用这些技能时，编码助理会引导您完成整个 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。

该 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：这些技能仅支持进化 Python 代码。

  • 单个代码位置：系统经过测试，一次只能进化一个代码位置。虽然可以包含来自多个文件的上下文，但同时优化多个进化块尚未经过验证。

用法

使用 Google Cloud CLI 进行身份验证：

   gcloud auth application-default login

提示编码助理使用 AlphaEvolve 优化代码。示例提示包括：

  • “使用 AlphaEvolve 优化此模型的代码，使其运行速度更快。”

  • “设置 AlphaEvolve 实验，为此调度函数寻找更好的算法。”

  • “进化此损失函数，以改进此 XYZ 基准的收敛性。”

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中。

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

AlphaEvolve 用例

AlphaEvolve 代码库在 use-cases 文件夹中包含客户端 Python 库和示例实验。在开始使用这些精选示例之前，请查看 README 文件：

用例 / 级别 说明 核心学习重点
入门：组合优化（基本） 进化纯 Python 启发法，以将圆打包到单位正方形中，或使用本地 exec() 评估（无需云基础架构）找到最短的 TSP 游览路线。 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） 进化自适应时间序列过滤器，该过滤器在 5 个非平稳测试信号中根据 14 个以上的竞争指标 （平滑度、延迟、错误反转、降噪等）进行评估。 了解如何设计加权复合目标、返回结构化洞见以供 LLM 自我纠正，以及使用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） 进化完整的 scikit-learn 流水线（特征工程和模型 选择），该流水线由 Cloud Run 上的容器化评估器进行评分。 了解使用 Dockerfile、 cloudbuild.yaml 和 Terraform 预配的 Artifact Registry/ IAM 资源的远程评估模式。
生产 GPU 基础架构：LLM 微调（高级） 进化 Gemma 的 LoRA 超参数，该超参数基于函数调用 数据集，使用 GKE 上的持久性 RayCluster 在自动扩缩 L4 GPU 上进行训练。 了解如何将 AlphaEvolve 连接到具有 费用控制和完全可观测性的生产训练基础架构。

Google Cloud 批量（使用 Cluster Toolkit）

算法发现和优化问题因评估器的类型和计算费用而异。虽然某些评估器在与控制器相同的 Python 环境中运行，但其他评估器需要专用编译或卸载到工作器机器。

此示例说明了如何根据需要使用自定义容器和代码编译将评估器执行卸载到 Google Cloud Batch。借助这种方法，您可以设置需要复杂软件堆栈的优化（例如运行 ISV/OSS 应用或就地优化科学计算软件包的部分内容）。Cloud Batch 可直接控制 所需的 Google Cloud 实例类型和加速器配置。

AlphaEvolve 资产提供的 hpc-batch-ctk 示例使用：

一个 Pub 或 Sub 消息队列，用于 控制器和评估器之间的通信。

Cloud Storage 存储桶，用于存储实验结果。

JupyterLab 实例，用于简化数据访问和可视化。

Google Cluster Toolkit 用于配置和 部署所有必需的基础架构组件。如需详细了解用于部署的 AlphaEvolve EAP 代码库，请参阅 README中的 hpc-batch-ctk 文件夹内的说明。