Utilizzare AlphaEvolve

Una volta che hai un ambiente Gemini Enterprise funzionante e hai confermato l'accesso all'API, puoi iniziare a utilizzare l'API AlphaEvolve.

Nel repository AlphaEvolve sono disponibili diversi asset e artefatti per aiutarti a eseguire il tuo primo esperimento AlphaEvolve:

• Skill di AlphaEvolve: utilizza queste skill con un assistente al coding per facilitare il workflow end-to-end per gli esperimenti di AlphaEvolve.

• Esperimenti di casi d'uso di esempio (codice): esplora il codice campione che comprende una serie di sfide di ottimizzazione e casi d'uso di AlphaEvolve, come l'ottimizzazione combinatoria, l'elaborazione di segnali multiobiettivo e l'ottimizzazione degli LLM.

• Esempi di Cluster Toolkit: semplifica il processo di deployment dei workload di computing ad alte prestazioni (HPC), intelligenza artificiale (AI) e machine learning (ML) su Google Cloud. Per saperne di più, consulta AlphaEvolve per i casi d'uso HPC.

Per iniziare, clona il repository AlphaEvolve o scarica il file TAR fornito.

Skill di AlphaEvolve per lo sviluppo agentico

Le skill di AlphaEvolve ti consentono di eseguire esperimenti di AlphaEvolve direttamente da un'assistenza al coding agentica, come Antigravity. Utilizzando queste competenze, l'assistente al coding ti guida attraverso l'intero workflow di AlphaEvolve, tra cui la configurazione dell'esperimento, l'esecuzione del ciclo evolutivo, il monitoraggio dei progressi e l'integrazione dei risultati migliori nel tuo codice.

Il repository include sei skill AlphaEvolve specifiche, con un file README.md e un file SKILLS.md forniti per ciascuna:

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

Limitazioni correnti

• Solo Python: le skill supportano solo l'evoluzione del codice Python.

• Singola posizione del codice: il sistema viene testato per far evolvere una posizione del codice alla volta. Sebbene sia possibile includere il contesto di più file, l'ottimizzazione simultanea di più blocchi evolve non è ancora stata convalidata.

Utilizzo

Esegui l'autenticazione con Google Cloud CLI:

   gcloud auth application-default login

Chiedi all'assistente al coding di ottimizzare il codice con AlphaEvolve. Ecco alcuni esempi di prompt:

• "Utilizza AlphaEvolve per ottimizzare il codice di questo modello e renderlo più veloce."

• "Configura un esperimento AlphaEvolve per trovare un algoritmo migliore per questa funzione di pianificazione."

• "Evolvi questa funzione di perdita per migliorare la convergenza su questo benchmark XYZ."

L'assistente ti guida nella configurazione, esegue il loop di valutazione e ti aiuta a integrare il risultato migliore nel tuo codebase.

Oltre alle competenze relative ai workflow, la skill alpha_evolve_consultant funge da assistente esperto in domande e risposte per AlphaEvolve. Può aiutarti a determinare se un problema è adatto ad AlphaEvolve, darti consigli sull'implementazione del valutatore, spiegare le opzioni di configurazione del runtime e risolvere i problemi in base alla guida di riferimento ufficiale di AlphaEvolve.

Nota: la skill del consulente è puramente consultiva e non esegue esperimenti né modifica il codice. Richiamalo facendo domande come "Il mio problema è adatto ad AlphaEvolve?" o "Come devo progettare il mio valutatore?".

Suggerimento: Google consiglia di utilizzare Gemini 3.5 Flash come modello di assistenza al coding. La skill funziona al meglio quando fornisci un file Markdown che definisce il problema, l'obiettivo e i dettagli di contesto pertinenti (come vincoli, criteri di valutazione o baseline note). Il codice richiede i marker # EVOLVE-BLOCK-START e # EVOLVE-BLOCK-END attorno al codice scelto come target per l'evoluzione, insieme a una funzione di valutazione. Puoi aggiungerli manualmente o chiedere aiuto all'assistente al coding (ad esempio, "prepara questo file per l'ottimizzazione con AlphaEvolve").

Casi d'uso di AlphaEvolve

Il repository AlphaEvolve contiene la libreria Python lato client ed esperimenti di esempio nella cartella use-cases. Esamina il file README prima di iniziare con questi esempi selezionati:

Caso d'uso/livello	Descrizione	Focus di apprendimento principale
Inizia: ottimizzazione combinatoria (di base)	Sviluppa un'euristica in Python puro per impacchettare i cerchi in un quadrato unitario o trovare il percorso TSP più breve utilizzando la valutazione exec() locale con un'infrastruttura cloud pari a zero.	Scopri i meccanismi del loop principale (programma seed → indicatori EVOLVE-BLOCK → valutatore → controller) e osserva il miglioramento iterativo rispetto alla base di riferimento.
Valutazione multiobiettivo: elaborazione dei segnali (intermedio)	Sviluppa un filtro adattivo per serie temporali valutato in base a oltre 14 metriche concorrenti (fluidità, ritardo, false inversioni, riduzione del rumore e così via) su 5 segnali di test non stazionari.	Scopri come progettare obiettivi compositi ponderati, restituire insight strutturati per l'autocorrezione degli LLM e proteggere i valutatori con timeout espliciti.
Remote evaluation at scale: ML pipeline (intermediate)	Sviluppa una pipeline scikit-learn completa (feature engineering e selezione del modello) valutata da un valutatore containerizzato su Cloud Run.	Scopri i pattern di valutazione remota utilizzando un Dockerfile, cloudbuild.yaml e risorse Artifact Registry/IAM di cui è stato eseguito il provisioning con Terraform.
Infrastruttura GPU di produzione: ottimizzazione degli LLM (avanzata)	Evolvi gli iperparametri LoRA per Gemma su un set di dati di chiamata di funzione, addestrato su GPU L4 con scalabilità automatica utilizzando un RayCluster permanente su GKE.	Scopri come connettere AlphaEvolve all'infrastruttura di addestramento in produzione con controlli dei costi e osservabilità completa.