Panduan penerapan kasus penggunaan

Setelah Anda memutuskan bahwa kasus penggunaan pengoptimalan cocok untuk AlphaEvolve, gunakan langkah-langkah berikut untuk menerapkan kasus penggunaan dan menjalankan eksperimen yang diperlukan:

  1. Penyiapan dan kepatuhan lingkungan:

    1. Mengonfigurasi lingkungan: Siapkan lingkungan Gemini Enterprise atau Discovery Engine dan akun layanan AlphaEvolve.

    2. Pemeriksaan kepatuhan: Validasi batasan infosec, risiko, dan kepatuhan apa pun yang berlaku untuk lingkungan yang relevan dengan kasus penggunaan dan industri Anda.

  2. Orientasi awal: Pelajari cara kerja AlphaEvolve dengan menjalankan colab tutorial.

  3. Menentukan parameter eksperimen: Tentukan parameter eksperimen dan tujuan pengoptimalan berdasarkan persyaratan kasus penggunaan Anda:

    1. Apa tujuan pengoptimalan Anda?
    2. Bahasa pemrograman apa yang harus digunakan?
    3. Apa ruang desain Anda dan apa batasan Anda?

  4. Desain dan konfigurasi eksperimen:

    Anda dapat melakukan tahap ini melalui konfigurasi manual atau jalur agentic otomatis:

    Opsi A: Desain eksperimen manual dan konfigurasi heuristik:

    1. Formulasikan program awal, tambahkan konteks, dan beri tag dengan #EVOLVE-BLOCKS yang sesuai.

    2. Desain metrik evaluator dan terapkan harness evaluasi yang sesuai.

    3. Konfigurasi hiperparameter heuristik dan mulai eksperimen.

    Opsi B: Jalur agentic alternatif: Gunakan framework coding agentic pilihan Anda (Gemini CLI, Antigravity, dan sebagainya) bersama dengan file keterampilan AlphaEvolve untuk mendesain eksperimen,membuat harness evaluasi, dan mengonfigurasi parameter heuristik.

  5. Eksekusi dan analisis:

    1. Pantau: Amati eksperimen Anda dengan cermat dan periksa masalah konvergensi yang mungkin muncul.

    2. Analisis: Tinjau hasil secara menyeluruh.

  6. Lakukan iterasi:

    1. Lakukan iterasi pada eksperimen awal sesuai kebutuhan dengan menyesuaikan konteks, blok evolusi, dan metrik evaluasi berdasarkan hasil dari proses awal.

    2. Kasus penggunaan AlphaEvolve yang paling menarik akan memerlukan lebih dari satu proses heuristik untuk mendapatkan hasil yang optimal.