AlphaEvolve orientiert sich bei seinen Vorgängen an der bereitgestellten Code-Baseline sowie am spezifischen Kontext, den der Nutzer bereitstellt.
Nutzerkontext
Der vom Nutzer bereitgestellte Kontext wird in jeden Prompt zur Generierung eingefügt. Der Suchraum wird ausgeglichen, indem dem LLM Fachwissen, mathematische Formulierungen und Systemeinschränkungen zur Verfügung gestellt werden.
- Token-Budget: Bis zu 200.000 Tokens funktionieren gut. Ab einem Schwellenwert von 200.000 Tokens wird das Kontextfenster überlastet, die Aufmerksamkeit des LLM nimmt ab und die Qualität der Mutation wird beeinträchtigt. Wenn der kombinierte Kontext (Problembeschreibung, Code und vorherige Programme) 200.000 Tokens überschreitet, müssen Sie ihn reduzieren.
Inhalte
Präzise mathematische Formulierung des Optimierungsproblems.
Wichtige Einschränkungen und ihre klare Begründung.
Fachspezifische Terminologie und Definitionen.
Bekannte gute Ansätze oder Stand der Technik, um die Suchrichtung des LLM zu steuern.
Spezifische, explizite Anweisungen, die detailliert beschreiben, was NICHT zu tun ist.
Was NICHT enthalten sein sollte
Allgemeine Programmier-Tutorials.
Dokumentation der Standardbibliothek (das LLM kennt bereits
numpy,sklearnusw.). Fügen Sie jedoch Dokumentation für Nischen- oder domänenspezifische Bibliotheken hinzu, die das LLM möglicherweise nicht gut kennt (benutzerdefinierte Kernel-APIs, proprietäre SDKs oder spezialisierte DSLs).Beliebige Rohdaten, Tabellen oder große Daten-Dumps. Daten gehören in die Evaluator-Harness, nicht in den Prompt-Kontext.
Nicht relevanter Kontext, der Tokens verbraucht, ohne ein Suchsignal hinzuzufügen.
Jeder Kontext, den Sie einfügen, muss einen klaren Mehrwert bieten, indem er dem LLM aktiv hilft, bessere, strukturell solide Mutationen zu erzeugen.
Bewertungsfeedback (Insights)
Nach jeder Ausführungsschleife kann der Evaluator neben numerischen Bewertungen auch diagnostisches Feedback in Textform zurückgeben. Dieses Feedback wird automatisch an zukünftige Prompt-Strukturen angehängt.
Qualitätsgrundlage: Gutes Feedback ist spezifisch, umsetzbar und prägnant. Schlechtes Feedback ist allgemein (z. B. „Bewertung fehlgeschlagen“) oder übermäßig ausführlich.
Betriebszweck: Diese Insights werden dem LLM in nachfolgenden Generationen angezeigt, damit es explizit aus Ausführungsfehlern lernen und wiederholte Fehler vermeiden kann.
Integrierte Prompt-Diversifizierung
AlphaEvolve diversifiziert automatisch die Prompts, die an das Backend-LLM-Ensemble übertragen werden. Dieser Vorgang wird intern verarbeitet und erfordert keine manuelle Nutzerkonfiguration.
Das System variiert seine Kernanweisungen über aufeinanderfolgende Generationen hinweg, um vielfältige Mutationen zu fördern und zu verhindern, dass das LLM in sich wiederholende Codierungsmuster verfällt. Dieses Verhalten ist einer der Hauptmechanismen, die AlphaEvolve dabei helfen, eine breite Landschaft zu erkunden, anstatt in engen lokalen Optima gefangen zu bleiben.
Lesbarkeit des Codes
Die Codekomplexität ist ein effektiver Hilfsmesswert. Wenn die Lesbarkeit des endgültigen Codes für Ihren Produktionsanwendungsfall wichtig ist, sollten Sie die Codelänge oder die kognitive Komplexität als sekundären Zielmesswert hinzufügen.
AlphaEvolve kann eine Dateikomprimierung von bis zu 50 % erreichen, ohne die funktionale Leistung zu beeinträchtigen. Das LLM nutzt jedoch naive Einfachheitsmesswerte (z. B. das Entfernen aller Inline-Kommentare, um die Anzahl der Rohzeichen zu reduzieren). Um dies zu verhindern, sollten Sie Messwerte implementieren, die eine aussagekräftige strukturelle Komplexität erfassen, z. B. die zyklomatische Komplexität oder die Anzahl der Knoten im abstrakten Syntaxbaum (AST), anstatt die Länge von Rohstrings zu bewerten.