使用 AlphaEvolve

現在您已擁有可運作的 Gemini Enterprise 環境，並確認 API 存取權，可以開始使用 AlphaEvolve API。

AlphaEvolve 存放區提供多項資產和構件，協助您執行首個 AlphaEvolve 實驗：

• AlphaEvolve 技能：搭配程式碼輔助工具使用這些技能，可簡化 AlphaEvolve 實驗的端對端工作流程。

• 用途實驗範例 (程式碼)：探索涵蓋各種最佳化挑戰和 AlphaEvolve 用途的程式碼範例，例如組合最佳化、多目標訊號處理和 LLM 微調。

• Cluster Toolkit 範例：簡化在 Google Cloud上部署高效能運算 (HPC)、人工智慧 (AI) 和機器學習 (ML) 工作負載的程序。這些範例可做為加速器，協助您為評估人員部署自訂容器，或是編譯及放送最佳化演算法。

首先，請複製 AlphaEvolve 存放區，或下載提供的 TAR 檔案。

AlphaEvolve 代理功能開發技能

AlphaEvolve 技能可讓您直接從代理程式碼助理 (例如 Antigravity) 執行 AlphaEvolve 實驗。運用這些技能，程式碼輔助工具可引導您完成整個 AlphaEvolve 工作流程，包括設定實驗、執行演化迴圈、監控進度，以及將最佳結果整合回程式碼。

這個存放區包含六項 AlphaEvolve 技能，每項技能都有 README.md 和 SKILLS.md 檔案：

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

目前限制

• 僅限 Python：技能只支援不斷演進的 Python 程式碼。

• 單一程式碼位置：系統會測試一次演變一個程式碼位置。雖然可以納入多個檔案的內容，但目前尚未驗證是否能同時最佳化多個演進區塊。

用量

使用 Google Cloud CLI 進行驗證：

   gcloud auth application-default login

提示程式碼編寫助理使用 AlphaEvolve 最佳化程式碼。提示範例如下：

• 「Use AlphaEvolve to optimize the code of this model to make it faster.」(使用 AlphaEvolve 最佳化這個模型的程式碼，讓模型運作得更快)。

• 「設定 AlphaEvolve 實驗，為這個排程函式找出更合適的演算法。」

• 「請演進這個損失函式，以改善 XYZ 基準的收斂。」

這個助理會引導您完成設定、執行評估迴圈，並協助您將最佳結果整合回程式碼基底。

除了工作流程技能，alpha_evolve_consultant 技能還可做為 AlphaEvolve 的專家問答助理。這項工具可協助您判斷問題是否適合 AlphaEvolve、提供評估人員實作建議、說明執行階段設定選項，以及根據官方 AlphaEvolve 參考指南排解問題。

注意： 顧問技能僅提供建議，不會執行實驗或修改程式碼。只要提出問題即可叫用，例如「我的問題適合使用 AlphaEvolve 嗎？」或「我該如何設計評估工具？」。

提示： Google 建議使用 Google Cloud CLI 3.5 Flash 做為程式碼輔助模型。如果提供定義問題、目標和相關背景詳細資料 (例如限制、評估條件或已知基準) 的 Markdown 檔案，這項技能就能發揮最佳效用。您的程式碼需要在目標演進程式碼周圍加上 # EVOLVE-BLOCK-START 和 # EVOLVE-BLOCK-END 標記，以及評估函式。您可以手動新增這些項目，也可以請程式設計助理提供協助 (例如「準備好這個檔案，以便使用 AlphaEvolve 進行最佳化」)。

AlphaEvolve 用途

AlphaEvolve 存放區包含用戶端 Python 程式庫，以及 use-cases 資料夾中的範例實驗。請先查看 README 檔案， 再開始使用這些精選範例：

用途 / 等級	說明	核心學習重點
開始使用：組合最佳化 (基本)	使用本機 exec() 評估，以純 Python 啟發式方法將圓形封裝到單位正方形中，或找出最短的 TSP 路線，完全不需要雲端基礎架構。	瞭解核心迴圈機制 (種子程式 → EVOLVE-BLOCK 標記 → 評估者 → 控制器)，並觀察基準的疊代改善情況。
多目標評估：信號處理 (中級)	根據 14 個以上的競爭指標 (平滑度、延遲、錯誤反轉、雜訊抑制等)，針對 5 個非靜態測試訊號，演化出適應性時序篩選器。	瞭解如何設計加權複合目標、傳回結構化洞察資訊以供 LLM 自我修正，以及透過明確的逾時時間保護評估人員。
大規模遠端評估：機器學習管道 (中級)	在 Cloud Run 上，以容器化評估工具評估完整的 scikit-learn 管道 (特徵工程和模型選取)。	瞭解如何使用 Dockerfile、cloudbuild.yaml 和 Terraform 佈建的 Artifact Registry/IAM 資源，進行遠端評估。
生產環境 GPU 基礎架構：LLM 微調 (進階)	在 GKE 上使用持續性 RayCluster，以自動調度資源的 L4 GPU 訓練函數呼叫資料集，進而演進 Gemma 的 LoRA 超參數。	瞭解如何將 AlphaEvolve 連線至實際執行環境的訓練基礎架構，並控管費用及全面觀察。

Google Cloud 批次 (使用 Cluster Toolkit)

演算法探索和最佳化問題會因評估工具的類型和運算成本而異。部分評估工具與控制器在相同的 Python 環境中執行，其他工具則需要專屬的編譯作業，或卸載至工作機器。

這個範例說明如何使用自訂容器，並視需要編譯程式碼，將評估工具執行作業卸載至 Google CloudBatch。這種做法可讓您設定需要複雜軟體堆疊的最佳化作業 (例如執行 ISV/OSS 應用程式，或就地最佳化科學運算軟體套件的部分內容)。Cloud Batch 可直接控管所需的 Google Cloud 執行個體類型和加速器設定。

AlphaEvolve 資產提供的 hpc-batch-ctk 範例會使用：

用於控制器和評估人員之間通訊的 Pub 或 Sub 訊息佇列。

用於儲存實驗結果的 Cloud Storage bucket。

JupyterLab 執行個體，方便存取資料及製作圖表。

Google Cluster Toolkit 用於設定及部署所有必要基礎架構元件。如要進一步瞭解 AlphaEvolve EAP 存放區的部署作業，請參閱 README 檔案內 hpc-batch-ctk 資料夾中的操作說明。