在确定如何在评估框架内对候选代码条目进行评分、归一化和惩罚时，请遵循以下架构原则。
直接最大化目标
AlphaEvolve 仅执行最大化搜索，将每个优化目标都视为爬山任务。如需最大限度地减少延迟时间或错误率等指标，您必须对最终计算值取反：score = -latency_ms # AE maximizes -> minimizes latency。
保持严格的函数单调性
请确保仅实现单调评分函数。随着候选解决方案的改进，返回的数值分数必须持续增加。纳入非单调分数会降低搜索性能，并在优化路径中引入逻辑不一致。
提供详细、精细的指标
详细评分可直接提升整体搜索质量。即使针对单一核心业务目标进行优化，纳入次要指标或代理指标也有助于 AlphaEvolve 更有效地探索复杂的搜索空间。将各个子分数作为结构化数据洞见传回系统，以便 LLM 能够明确推理不同生成结果之间的性能权衡。
奖励部分成功，而非稀疏结果
奖励部分成功，而不是完全依赖于最终结果或二元结果。始终优先选择密集评分信号，而非稀疏评分信号。
二元或低分辨率目标（例如，跟踪在基于锦标赛的游戏问题中赢得的比赛）会造成多个候选模型并列的大规模性能停滞期。这种行为会导致 AlphaEvolve 无法区分“差一点就成功”和“糟糕的解决方案”，从而导致父级选择循环停滞。
如需保持搜索梯度方向，请执行以下操作：
添加细粒度子信号：衡量朝着最终目标取得的增量进展（例如，在比赛中获得的个人积分），以便 AlphaEvolve 可以对原本并列的候选方案进行排名，并朝着有希望的解决方案空间进行爬山。
仔细调整对齐和权重：确保子信号与真实目标单调对齐，且权重安全地低于真实目标。如果权重不当，AlphaEvolve 会以牺牲实际目标为代价来优化代理指标（导致奖励黑客攻击）。
例如，使用积分作为逻辑决胜局，构建标量目标函数：use score = matches_won + w * (points_scored / points_possible)。
将权重约束配置为 w < 1，以便额外的终局胜利始终优先于任何比赛内积分累积，从而将子信号严格视为决胜局。
从单一目标开始
建议您在开始实施时先使用单个目标函数。虽然数据库原生完全支持具有全面帕累托前沿跟踪的多目标优化，其中 MAP-Elites 会跟踪每个指标的最佳程序，并且系统会维护所有指标的运行帕累托前沿，但在初始部署期间，单个标量目标更容易推理和调试。如果问题需要多个目标，您可以将它们合并为一个加权标量，也可以从一开始就利用多指标跟踪工具。
在合并前重新缩放和归一化
对各项指标应用严格的比例平衡，以避免优化偏差：
跨范围重新缩放：在合并指标之前，先将其归一化为可比较的范围。在不进行显式重新缩放的情况下，将有界分数（范围从
0到1）和无界分数（范围从0到infinity）组合在一起，会导致无界指标在适应度景观中占据主导地位。优先选择加法结构，而非乘法组合：乘法目标可能会对分母的微小变化过于敏感，从而影响搜索准确性和稳定性。请改为实现加法加权和：
w1*A - w2*L - w3*M。此格式允许根据每个性能参数直接调整权重。相对于初始值进行归一化：为防止尺度差异导致搜索路径出现偏差，请将每个指标除以其各自的初始基准值，以便在应用权重并组合这些指标之前，所有指标都从基准值
1.0开始。
放大微小的数值差异
较小的数值分数差异可能无法为底层 LLM 提供有用的优化信号。如果一个强候选答案得分为 1e-7，而一个较弱候选答案得分为 1e-8，则 LLM 在查看上下文时可能无法有意义地对它们进行区分。将最终得分重新缩放到一个明显、人类可读的范围（例如 0 到 100），以便在生成提示中以数字形式直观地体现代码的增量改进。