Utiliser AlphaEvolve

Une fois que vous disposez d'un environnement Gemini Enterprise opérationnel et que vous avez confirmé l'accès à l'API, vous pouvez commencer à utiliser l'API AlphaEvolve.

Plusieurs éléments et artefacts sont disponibles dans le dépôt AlphaEvolve pour vous aider à exécuter votre premier test AlphaEvolve :

• Compétences AlphaEvolve : utilisez ces compétences avec une assistance au codage pour faciliter le workflow de bout en bout des tests AlphaEvolve.

• Exemples de cas d'utilisation (code) : explorez des exemples de code couvrant un éventail de défis d'optimisation et de cas d'utilisation d'AlphaEvolve, tels que l'optimisation combinatoire, le traitement du signal multi-objectif et l'affinage des LLM.

• Exemples de Cluster Toolkit : simplifiez le processus de déploiement des charges de travail de calcul hautes performances (HPC), d'intelligence artificielle (IA) et de machine learning (ML) sur Google Cloud. Pour en savoir plus, consultez AlphaEvolve pour les cas d'utilisation HPC.

Pour commencer, clonez le dépôt AlphaEvolve ou téléchargez le fichier TAR fourni.

Compétences AlphaEvolve pour le développement agentique

Les compétences AlphaEvolve vous permettent d'exécuter des expériences AlphaEvolve directement à partir d'une assistance au codage agentique, tel qu'Antigravity. Grâce à ces compétences, votre assistant au codage vous guide tout au long du workflow AlphaEvolve, y compris la configuration du test, l'exécution de la boucle évolutive, la surveillance de la progression et l'intégration des meilleurs résultats dans votre code.

Le dépôt inclut six compétences AlphaEvolve spécifiques, avec un fichier README.md et un fichier SKILLS.md fournis pour chacune :

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

Limites actuelles

• Python uniquement : les compétences ne sont compatibles qu'avec le code Python évolutif.

• Emplacement de code unique : le système est testé pour faire évoluer un emplacement de code à la fois. Bien que le contexte de plusieurs fichiers puisse être inclus, l'optimisation simultanée de plusieurs blocs d'évolution n'est pas encore validée.

Utilisation

Authentifiez-vous avec Google Cloud CLI :

   gcloud auth application-default login

Demandez à votre assistant au codage d'optimiser votre code avec AlphaEvolve. Voici quelques exemples de requêtes :

• "Utilise AlphaEvolve pour optimiser le code de ce modèle afin de l'accélérer."

• "Configurez un test AlphaEvolve pour trouver un meilleur algorithme pour cette fonction de planification."

• "Fais évoluer cette fonction de perte pour améliorer la convergence sur ce benchmark XYZ."

L'assistant vous guide tout au long de la configuration, exécute la boucle d'évaluation et vous aide à intégrer le meilleur résultat dans votre codebase.

En plus des compétences de workflow, la compétence alpha_evolve_consultant agit comme un assistant expert en questions-réponses pour AlphaEvolve. Il peut vous aider à déterminer si un problème est adapté à AlphaEvolve, vous conseiller sur l'implémentation de l'évaluateur, vous expliquer les options de configuration de l'environnement d'exécution et résoudre les problèmes en fonction du guide de référence officiel d'AlphaEvolve.

Remarque : La compétence de consultant est purement consultative et n'exécute pas d'expériences ni ne modifie le code. Appelez-le en posant des questions telles que "Mon problème est-il adapté à AlphaEvolve ?" ou "Comment dois-je concevoir mon évaluateur ?".

Conseil: Google recommande d'utiliser Gemini 3.5 Flash comme modèle d'assistant au codage. La compétence fonctionne mieux lorsque vous fournissez un fichier Markdown qui définit le problème, l'objectif et les détails contextuels pertinents (tels que les contraintes, les critères d'évaluation ou les références connues). Votre code nécessite des marqueurs # EVOLVE-BLOCK-START et # EVOLVE-BLOCK-END autour du code ciblé pour l'évolution, ainsi qu'une fonction d'évaluation. Vous pouvez les ajouter manuellement ou demander de l'aide à l'assistance au codage (par exemple, "préparer ce fichier pour l'optimisation avec AlphaEvolve").

Cas d'utilisation d'AlphaEvolve

Le dépôt AlphaEvolve contient la bibliothèque Python côté client et des exemples de tests dans le dossier use-cases. Examinez le fichier README avant de commencer à utiliser ces exemples sélectionnés :

Cas d'utilisation/Niveau	Description	Objectif d'apprentissage principal
Premiers pas : optimisation combinatoire (notions de base)	Faites évoluer une heuristique purement Python pour empaqueter des cercles dans un carré unitaire ou trouver le tour TSP le plus court à l'aide de l'évaluation exec() locale sans aucune infrastructure cloud.	Découvrez les mécanismes de la boucle principale (programme de départ → marqueurs EVOLVE-BLOCK → évaluateur → contrôleur) et observez l'amélioration itérative par rapport à la référence.
Évaluation multi-objectif : traitement du signal (intermédiaire)	Développez un filtre de séries temporelles adaptatif évalué sur plus de 14 métriques concurrentes (fluidité, décalage, faux retournements, réduction du bruit, etc.) sur cinq signaux de test non stationnaires.	Découvrez comment concevoir des objectifs composites pondérés, renvoyer des insights structurés pour l'autocorrection des LLM et protéger les évaluateurs avec des délais d'expiration explicites.
Évaluation à distance à grande échelle : pipeline de ML (intermédiaire)	Faites évoluer un pipeline scikit-learn complet (extraction de caractéristiques et sélection de modèles) évalué par un évaluateur conteneurisé sur Cloud Run.	Découvrez les modèles d'évaluation à distance à l'aide d'un Dockerfile, d'un cloudbuild.yaml et de ressources Artifact Registry/IAM provisionnées par Terraform.
Infrastructure de GPU de production : réglage des LLM (avancé)	Faites évoluer les hyperparamètres LoRA pour Gemma sur un ensemble de données d'appel de fonction, entraîné sur des GPU L4 avec autoscaling à l'aide d'un RayCluster persistant sur GKE.	Découvrez comment connecter AlphaEvolve à une infrastructure d'entraînement en production avec des contrôles des coûts et une observabilité complète.