Cómo usar AlphaEvolve

Una vez que tengas un entorno de Gemini Enterprise en funcionamiento y hayas confirmado el acceso a la API, podrás comenzar a usar la API de AlphaEvolve.

Hay varios recursos y artefactos disponibles en el repositorio de AlphaEvolve para ayudarte a ejecutar tu primer experimento de AlphaEvolve:

• Habilidades de AlphaEvolve: Usa estas habilidades con un asistente de programación para facilitar el flujo de trabajo de extremo a extremo de los experimentos de AlphaEvolve.

• Experimentos de casos de uso de ejemplo (código): Explora el código de muestra que abarca una gama de desafíos de optimización y casos de uso de AlphaEvolve, como la optimización combinatoria, el procesamiento de señales de varios objetivos y el ajuste de LLM.

• Ejemplos de Cluster Toolkit: Simplifica el proceso de implementación de cargas de trabajo de computación de alto rendimiento (HPC), inteligencia artificial (IA) y aprendizaje automático (AA) en Google Cloud. Para obtener más información, consulta Casos de uso de AlphaEvolve para HPC.

Para comenzar, clona el repositorio de AlphaEvolve o descarga el archivo TAR proporcionado.

Habilidades de AlphaEvolve para el desarrollo de agentes

Las habilidades de AlphaEvolve te permiten ejecutar experimentos de AlphaEvolve directamente desde un asistente de programación con agentes, como Antigravity. Con estas habilidades, tu asistente de programación te guiará por todo el flujo de trabajo de AlphaEvolve, lo que incluye configurar el experimento, ejecutar el bucle evolutivo, supervisar el progreso y volver a integrar los mejores resultados en tu código.

El repositorio incluye seis habilidades específicas de AlphaEvolve, con un archivo README.md y un archivo SKILLS.md para cada una:

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

Limitaciones actuales

• Solo Python: Las habilidades solo admiten la evolución del código de Python.

• Ubicación de código única: El sistema se prueba para que evolucione una ubicación de código a la vez. Si bien se puede incluir el contexto de varios archivos, aún no se validó la optimización simultánea de varios bloques de evolución.

Uso

Autentica con Google Cloud CLI

   gcloud auth application-default login

Pídele a tu asistente de programación que optimice tu código con AlphaEvolve. Estos son algunos ejemplos de instrucciones:

• "Usa AlphaEvolve para optimizar el código de este modelo y hacerlo más rápido".

• "Configura un experimento de AlphaEvolve para encontrar un mejor algoritmo para esta función de programación".

• "Evoluciona esta función de pérdida para mejorar la convergencia en esta comparativa de XYZ".

El asistente te guía por la configuración, ejecuta el bucle de evaluación y te ayuda a integrar el mejor resultado en tu base de código.

Además de las habilidades de flujo de trabajo, la habilidad alpha_evolve_consultant actúa como un asistente experto en preguntas y respuestas para AlphaEvolve. Puede ayudarte a determinar si un problema es adecuado para AlphaEvolve, asesorarte sobre la implementación del evaluador, explicarte las opciones de configuración del entorno de ejecución y solucionar problemas según la guía de referencia oficial de AlphaEvolve.

Nota: La habilidad de consultor es puramente de asesoramiento y no ejecuta experimentos ni modifica el código. Para invocarlo, haz preguntas como "¿Mi problema es adecuado para AlphaEvolve?" o "¿Cómo debo diseñar mi evaluador?".

Sugerencia: Google recomienda usar Gemini 3.5 Flash como el modelo de asistente de programación. La habilidad funciona mejor cuando proporcionas un archivo Markdown que defina el problema, el objetivo y los detalles de contexto pertinentes (como restricciones, criterios de evaluación o valores de referencia conocidos). Tu código requiere marcadores # EVOLVE-BLOCK-START y # EVOLVE-BLOCK-END alrededor del código objetivo para la evolución, junto con una función de evaluación. Puedes agregarlas de forma manual o pedirle ayuda al asistente de programación (por ejemplo, "prepara este archivo para optimizarlo con AlphaEvolve").

Casos de uso de AlphaEvolve

El repositorio de AlphaEvolve contiene la biblioteca de Python del cliente y experimentos de ejemplo en la carpeta use-cases. Revisa el archivo README antes de comenzar con estos ejemplos seleccionados:

Caso de uso/nivel	Descripción	Enfoque de aprendizaje principal
Introducción: Optimización combinatoria (básica)	Desarrolla una heurística de Python puro para empaquetar círculos en un cuadrado unitario o encontrar el recorrido de TSP más corto con la evaluación local de exec() sin infraestructura de nube.	Aprende la mecánica del bucle principal (programa de origen → marcadores EVOLVE-BLOCK → evaluador → controlador) y observa la mejora iterativa en el modelo de referencia.
Evaluación de varios objetivos: Procesamiento de indicadores (nivel intermedio)	Desarrolla un filtro de series temporales adaptable que se evalúe en función de más de 14 métricas de la competencia (suavidad, retraso, reversiones falsas, reducción de ruido, etc.) en 5 indicadores de prueba no estacionarios.	Aprende a diseñar objetivos compuestos ponderados, devolver estadísticas estructuradas para la autocorrección del LLM y proteger a los evaluadores con tiempos de espera explícitos.
Evaluación remota a gran escala: Canalización de AA (intermedio)	Desarrolla una canalización completa de scikit-learn (ingeniería de atributos y selección de modelos) puntuada por un evaluador alojado en contenedores en Cloud Run.	Aprende patrones de evaluación remota con un Dockerfile, cloudbuild.yaml y recursos de IAM/Artifact Registry aprovisionados por Terraform.
Infraestructura de GPU de producción: Ajuste de LLM (avanzado)	Evoluciona los hiperparámetros de LoRA para Gemma en un conjunto de datos de llamada a funciones, entrenado en GPUs L4 con ajuste de escala automático usando un RayCluster persistente en GKE.	Aprende a conectar AlphaEvolve a la infraestructura de entrenamiento de producción con controles de costos y observabilidad completa.