AlphaEvolve 会利用提供的代码基准以及用户提供的具体上下文来指导其运营。
用户上下文
用户提供的上下文会注入到每个生成提示中。它通过为 LLM 提供领域知识、数学公式和系统限制来平衡搜索空间。
- token 预算：最多 20 万个 token 可取得理想效果。超过 20 万个令牌的阈值后，上下文窗口会变得过载，LLM 的注意力会下降，变异质量也会降低。如果您的组合上下文（问题描述、代码和之前的程序）超过 20 万个 token，则必须减少它。
应添加的内容
优化问题的精确数学公式。
关键限制及其明确的理由。
特定领域的术语和定义。
用于引导 LLM 搜索方向的已知良好方法或现有技术。
具体、明确的说明，详细说明了不应执行的操作。
不应包含的内容
常规编程教程。
标准库文档（LLM 已了解
numpy、sklearn等）。不过，请务必添加 LLM 可能不太了解的利基或特定领域库（自定义内核 API、专有 SDK 或专用 DSL）的文档。原始任意数据、电子表格或大型数据转储。数据应位于评估器框架中，而不是提示上下文中。
消耗 token 但不添加搜索信号的无关背景信息。
您添加的每个上下文都必须通过积极帮助 LLM 生成更出色、结构合理的变异来提供明确的价值。
评估反馈（数据分析）
在每次执行循环后，评估器可以返回诊断反馈文本以及数值分数。此反馈会自动附加到未来的提示结构中。
质量基准：优质反馈具体、可操作且简洁明了。 不良反馈通常比较笼统（例如“评估失败”）或过于冗长。
运营目的：这些分析洞见会显示给后续代际的 LLM，使其能够从执行失败中明确学习，并避免重复出现 bug。
内置提示多样化功能
AlphaEvolve 会自动将发送到后端 LLM 集成的提示多样化。此操作在内部处理，无需用户手动配置。
系统会在连续的代际中改变其核心指令，以鼓励多样化的突变，并防止 LLM 陷入重复的编码模式。此行为是帮助 AlphaEvolve 探索广阔格局而非陷入狭窄局部最优解的主要机制之一。
代码可读性
代码复杂性可作为有效的辅助指标。如果最终代码的可读性是生产用例的一个因素，请考虑将代码长度或认知复杂性添加为次要目标指标。
AlphaEvolve 可实现高达 50% 的文件压缩，而不会降低功能性能。不过，LLM 会利用简单的幼稚指标（例如，移除所有内嵌注释以减少原始字符数）。为防止这种情况，请实现可捕获有意义的结构复杂性的指标，例如圈复杂度或抽象语法树 (AST) 节点数，而不是评估原始字符串长度。