Menggunakan AlphaEvolve

Setelah memiliki lingkungan Gemini Enterprise yang berfungsi dan mengonfirmasi akses API, Anda siap untuk mulai menggunakan AlphaEvolve API.

Beberapa aset dan artefak tersedia di repositori AlphaEvolve untuk membantu Anda menjalankan eksperimen AlphaEvolve pertama:

• Kemampuan AlphaEvolve: Gunakan kemampuan ini dengan asisten coding untuk memfasilitasi alur kerja menyeluruh untuk eksperimen AlphaEvolve.

• Eksperimen contoh kasus penggunaan (kode): Pelajari kode contoh yang mencakup berbagai tantangan pengoptimalan dan kasus penggunaan AlphaEvolve, seperti pengoptimalan kombinatorial, pemrosesan sinyal multi-tujuan, dan penyesuaian LLM.

• Contoh Cluster Toolkit: Menyederhanakan proses deployment workload komputasi berperforma tinggi (HPC), kecerdasan buatan (AI), dan machine learning (ML) di Google Cloud. Untuk mengetahui informasi selengkapnya, lihat Kasus penggunaan AlphaEvolve untuk HPC.

Untuk memulai, clone repositori AlphaEvolve atau download file TAR yang disediakan.

Kemampuan AlphaEvolve untuk pengembangan agentic

Keahlian AlphaEvolve memungkinkan Anda menjalankan eksperimen AlphaEvolve langsung dari asisten coding agentic, seperti Antigravity. Dengan menggunakan kemampuan ini, asisten coding Anda akan memandu Anda melalui seluruh alur kerja AlphaEvolve, termasuk mengonfigurasi eksperimen, menjalankan loop evolusioner, memantau progres, dan mengintegrasikan hasil terbaik kembali ke kode Anda.

Repositori ini mencakup enam kemampuan AlphaEvolve tertentu, dengan file README.md dan SKILLS.md yang disediakan untuk masing-masing kemampuan:

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

Batasan saat ini

• Khusus Python: Kemampuan ini hanya mendukung pengembangan kode Python.

• Satu lokasi kode: Sistem diuji untuk mengembangkan satu lokasi kode pada satu waktu. Meskipun konteks dari beberapa file dapat disertakan, pengoptimalan beberapa blok evolve secara bersamaan belum divalidasi.

Penggunaan

Lakukan autentikasi dengan Google Cloud CLI:

   gcloud auth application-default login

Minta asisten coding Anda untuk mengoptimalkan kode Anda dengan AlphaEvolve. Contoh perintah meliputi:

• "Gunakan AlphaEvolve untuk mengoptimalkan kode model ini agar lebih cepat."

• "Siapkan eksperimen AlphaEvolve untuk menemukan algoritma yang lebih baik untuk fungsi penjadwalan ini."

• "Kembangkan fungsi kerugian ini untuk meningkatkan konvergensi pada tolok ukur XYZ ini."

Asisten akan memandu Anda melalui konfigurasi, menjalankan loop evaluasi, dan membantu Anda mengintegrasikan hasil terbaik kembali ke codebase Anda.

Selain keterampilan alur kerja, keterampilan alpha_evolve_consultant bertindak sebagai asisten tanya jawab ahli untuk AlphaEvolve. Asisten ini dapat membantu Anda menentukan apakah suatu masalah cocok untuk AlphaEvolve, memberikan saran tentang implementasi evaluator, menjelaskan opsi konfigurasi runtime, dan memecahkan masalah berdasarkan panduan referensi resmi AlphaEvolve.

Catatan: Kemampuan konsultan murni bersifat memberikan saran dan tidak menjalankan eksperimen atau mengubah kode. Panggil dengan mengajukan pertanyaan seperti "Apakah masalah saya cocok untuk AlphaEvolve?" atau "Bagaimana cara mendesain evaluator saya?".

Tips: Google merekomendasikan penggunaan Gemini 3.5 Flash sebagai model bantuan coding. Kemampuan ini berfungsi paling baik jika Anda memberikan file Markdown yang menentukan masalah, tujuan, dan detail latar belakang yang relevan (seperti batasan, kriteria evaluasi, atau dasar pengukuran yang diketahui). Kode Anda memerlukan penanda # EVOLVE-BLOCK-START dan # EVOLVE-BLOCK-END di sekitar kode yang ditargetkan untuk evolusi, bersama dengan fungsi evaluasi. Anda dapat menambahkannya secara manual atau meminta bantuan asisten coding (misalnya, "siapkan file ini untuk pengoptimalan dengan AlphaEvolve").

Kasus penggunaan AlphaEvolve

Repositori AlphaEvolve berisi library Python sisi klien dan contoh eksperimen di folder use-cases. Tinjau file README sebelum memulai dengan contoh yang diseleksi ini:

Kasus Penggunaan/Level	Deskripsi	Fokus Pembelajaran Inti
Memulai: Pengoptimalan kombinatorial (dasar)	Kembangkan heuristik Python murni untuk mengemas lingkaran ke dalam kotak unit atau menemukan tur TSP terpendek menggunakan evaluasi exec() lokal tanpa infrastruktur cloud.	Pelajari mekanisme loop inti (program seed → penanda EVOLVE-BLOCK → evaluator → pengontrol) dan amati peningkatan iteratif pada dasar pengukuran.
Evaluasi multi-tujuan: Pemrosesan sinyal (Menengah)	Mengembangkan filter deret waktu adaptif yang dinilai berdasarkan lebih dari 14 metrik yang bersaing (kelancaran, jeda, pembalikan palsu, pengurangan bising, dll.) di 5 sinyal pengujian non-stasioner.	Pelajari cara mendesain tujuan gabungan berbobot, menampilkan insight terstruktur untuk koreksi mandiri LLM, dan melindungi evaluator dengan waktu tunggu eksplisit.
Evaluasi jarak jauh dalam skala besar: Pipeline ML (menengah)	Mengembangkan pipeline scikit-learn lengkap (rekayasa fitur dan pemilihan model) yang dinilai oleh evaluator dalam container di Cloud Run.	Pelajari pola evaluasi jarak jauh menggunakan Dockerfile, cloudbuild.yaml, dan resource IAM / Artifact Registry yang disediakan Terraform.
Infrastruktur GPU produksi: penyesuaian LLM (lanjutan)	Mengembangkan hyperparameter LoRA untuk Gemma pada set data pemanggilan fungsi, yang dilatih pada GPU L4 penskalaan otomatis menggunakan RayCluster persisten di GKE.	Pelajari cara menghubungkan AlphaEvolve ke infrastruktur pelatihan produksi dengan kontrol biaya dan kemampuan observasi penuh.