AlphaEvolve を使用する

Gemini Enterprise 環境が動作し、API アクセスが確認できたら、AlphaEvolve API の使用を開始できます。

AlphaEvolve リポジトリには、最初の AlphaEvolve テストの実行に役立つアセットとアーティファクトがいくつか用意されています。

  • AlphaEvolve スキル: コーディング アシスタントでこれらのスキルを使用して、AlphaEvolve テストのエンドツーエンドのワークフローを容易にします。

  • ユースケースのテストの例（コード）: 組み合わせ最適化、多目的信号処理、LLM ファインチューニングなど、さまざまな最適化の課題と AlphaEvolve のユースケースを網羅するサンプルコードをご覧ください。

  • Cluster Toolkit の例: Google Cloudへのハイ パフォーマンス コンピューティング（HPC）、AI、ML のワークロードのデプロイ プロセスを簡素化します。詳細については、HPC ユースケース向けの AlphaEvolve をご覧ください。

まず、AlphaEvolve リポジトリのクローンを作成するか、提供された TAR ファイルをダウンロードします。

エージェント開発のための AlphaEvolve スキル

AlphaEvolve スキルを使用すると、Antigravity などのエージェント コーディング アシスタントから AlphaEvolve テストを直接実行できます。これらのスキルを使用して、コーディング アシスタントは、実験の構成、進化ループの実行、進行状況のモニタリング、最適な結果をコードに統合するなど、AlphaEvolve ワークフロー全体をガイドします。

リポジトリには、6 つの特定の AlphaEvolve スキルが含まれており、それぞれに README.md ファイルと SKILLS.md ファイルが用意されています。

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

現在の制限

  • Python のみ: スキルは、進化する Python コードのみをサポートします。

  • 単一のコードの場所: システムは、一度に 1 つのコードの場所を進化させるためにテストされます。複数のファイルのコンテキストを含めることはできますが、複数の進化ブロックを同時に最適化することはまだ検証されていません。

用途

Google Cloud CLI で認証します。

   gcloud auth application-default login

コーディング アシスタントに AlphaEvolve を使用してコードを最適化するよう指示します。プロンプトの例を次に示します。

  • 「AlphaEvolve を使用して、このモデルのコードを最適化し、高速化してください。」

  • 「このスケジューリング関数のより優れたアルゴリズムを見つけるために、AlphaEvolve テストを設定します。」

  • 「この XYZ ベンチマークの収束を改善するために、この損失関数を進化させてください。」

アシスタントは、構成の手順を説明し、評価ループを実行して、最適な結果をコードベースに統合するのを支援します。

ワークフロー スキルに加えて、alpha_evolve_consultant スキルは AlphaEvolve の専門的な Q&A アシスタントとしても機能します。問題が AlphaEvolve に適しているかどうかを判断したり、評価関数の実装についてアドバイスしたり、ランタイム構成オプションについて説明したり、AlphaEvolve の公式リファレンス ガイドに基づいて問題をトラブルシューティングしたりするのに役立ちます。

AlphaEvolve のユースケース

AlphaEvolve リポジトリには、クライアントサイドの Python ライブラリと、use-cases フォルダ内のサンプル テストが含まれています。これらの厳選された例を始める前に、README ファイルを確認してください。

ユースケース / レベル 説明 コア: 学習の焦点
スタートガイド: 組み合わせ最適化（基本） 純粋な Python ヒューリスティックを進化させて、円を単位正方形に詰め込んだり、ローカルの exec() 評価を使用して最短の TSP ツアーを見つけたりできます。クラウド インフラストラクチャは不要です。 コアループの仕組み（シード プログラム → EVOLVE-BLOCK マーカー → 評価ツール → コントローラ）を学習し、ベースラインの反復的な改善を観察します。
多目的評価: シグナル処理（中級） 5 つの非定常テスト信号にわたって 14 個を超える競合指標（平滑性、遅延、偽の反転、ノイズ リダクションなど）に基づいて判断される適応型時系列フィルタを進化させます。 重み付けされた複合目標を設計する方法、LLM の自己修正のために構造化された分析情報を返す方法、明示的なタイムアウトで評価者を保護する方法について説明します。
大規模なリモート評価: ML パイプライン（中級） Cloud Run のコンテナ化された評価ツールでスコアリングされた完全な scikit-learn パイプライン（特徴量エンジニアリングとモデル選択）を進化させます。 Dockerfile、cloudbuild.yaml、Terraform でプロビジョニングされた Artifact Registry / IAM リソースを使用して、リモート評価パターンを学習します。
本番環境の GPU インフラストラクチャ: LLM ファインチューニング（上級） GKE の永続的な RayCluster を使用して自動スケーリング L4 GPU でトレーニングされた関数呼び出しデータセットで、Gemma の LoRA ハイパーパラメータを進化させます。 費用管理と完全なオブザーバビリティを備えた本番環境のトレーニング インフラストラクチャに AlphaEvolve を接続する方法について説明します。