Usar o AlphaEvolve

Depois de ter um ambiente do Gemini Enterprise em funcionamento e confirmar o acesso à API, você poderá começar a usar a API AlphaEvolve.

Vários recursos e artefatos estão disponíveis no repositório do AlphaEvolve para ajudar você a executar seu primeiro experimento do AlphaEvolve:

• Habilidades do AlphaEvolve: use essas habilidades com um assistente de programação para facilitar o fluxo de trabalho completo dos experimentos do AlphaEvolve.

• Exemplos de experimentos de caso de uso (código): confira exemplos de código que abrangem uma variedade de desafios de otimização e casos de uso do AlphaEvolve, como otimização combinatória, processamento de sinais multi-objetivo e ajuste fino de LLM.

• Exemplos do Cluster Toolkit: simplifique o processo de implantação de cargas de trabalho de computação de alto desempenho (HPC), inteligência artificial (IA) e aprendizado de máquina (ML) no Google Cloud. Para mais informações, consulte AlphaEvolve para casos de uso de HPC cases.

Para começar, clone o repositório do AlphaEvolve ou faça o download do arquivo TAR fornecido.

Habilidades do AlphaEvolve para desenvolvimento de agentes

As habilidades do AlphaEvolve permitem executar experimentos do AlphaEvolve diretamente de um assistente de programação de agentes, como o Antigravity. Usando essas habilidades, o assistente de programação orienta você em todo o fluxo de trabalho do AlphaEvolve, incluindo a configuração do experimento, a execução do loop evolutivo, o monitoramento do progresso e a integração dos melhores resultados de volta ao código.

O repositório inclui seis habilidades específicas do AlphaEvolve, com um README.md e um arquivo SKILLS.md fornecido para cada uma delas:

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

Limitações atuais

• Somente Python: as habilidades oferecem suporte apenas à evolução do código Python.

• Localização de código único: o sistema é testado para evoluir uma localização de código por vez. Embora o contexto de vários arquivos possa ser incluído, a otimização simultânea de vários blocos de evolução ainda não foi validada.

Uso

Faça a autenticação com a Google Cloud CLI:

   gcloud auth application-default login

Peça ao assistente de programação para otimizar seu código com o AlphaEvolve. Exemplos de comandos incluem:

• "Use o AlphaEvolve para otimizar o código desse modelo e torná-lo mais rápido."

• "Configure um experimento do AlphaEvolve para encontrar um algoritmo melhor para essa função de programação."

• "Evolua essa função de perda para melhorar a convergência nesse benchmark XYZ."

O assistente orienta você na configuração, executa o loop de avaliação e ajuda a integrar o melhor resultado de volta à base de código.

Além das habilidades de fluxo de trabalho, a habilidade alpha_evolve_consultant funciona como um assistente especialista em perguntas e respostas para o AlphaEvolve. Ele pode ajudar você a determinar se um problema é adequado para o AlphaEvolve, aconselhar sobre a implementação do avaliador, explicar as opções de configuração de execução e solucionar problemas com base no guia de referência oficial do AlphaEvolve.

Observação: a habilidade de consultor é puramente consultiva e não executa experimentos nem modifica o código. Para invocá-la, faça perguntas como "Meu problema é adequado para o AlphaEvolve?" ou "Como devo projetar meu avaliador?".

Dica: Google recomenda usar o Gemini 3.5 Flash como o modelo de assistente de programação. A habilidade funciona melhor quando você fornece um arquivo Markdown que define o problema, o objetivo e os detalhes relevantes do plano de fundo (como restrições, critérios de avaliação ou linhas de base conhecidas). Seu código exige marcadores # EVOLVE-BLOCK-START e # EVOLVE-BLOCK-END em torno do código destinado à evolução, além de uma função de avaliação. É possível adicioná-los manualmente ou pedir ajuda ao assistente de programação (por exemplo, "prepare este arquivo para otimização com o AlphaEvolve").

Casos de uso do AlphaEvolve

O repositório do AlphaEvolve contém a biblioteca Python do lado do cliente e exemplos de experimentos na pasta use-cases. Analise o arquivo README antes de começar a usar esses exemplos selecionados:

Caso de uso / Nível	Descrição	Foco principal de aprendizado
Introdução: otimização combinatória (básica)	Evolua uma heurística Python pura para empacotar círculos em um quadrado unitário ou encontrar o tour TSP mais curto usando a avaliação exec() local com infraestrutura em nuvem zero.	Aprenda a mecânica do loop principal (programa de semente → marcadores EVOLVE-BLOCK → avaliador → controlador) e observe a melhoria iterativa na linha de base.
Avaliação multi-objetivo: processamento de sinais (intermediário)	Evolua um filtro de série temporal adaptável julgado em mais de 14 métricas concorrentes (suavidade, atraso, reversões falsas, redução de ruído etc.) em cinco sinais de teste não estacionários.	Aprenda a projetar objetivos compostos ponderados, retornar insights estruturados para autocorreção de LLM e proteger avaliadores com tempos limite explícitos.
Avaliação remota em escala: pipeline de ML (intermediário)	Evolua um pipeline completo do scikit-learn (engenharia de recursos e seleção de modelos) pontuado por um avaliador em contêiner no Cloud Run.	Aprenda padrões de avaliação remota usando um Dockerfile, cloudbuild.yaml, e recursos do Artifact Registry / IAM provisionados pelo Terraform.
Infraestrutura de GPU de produção: ajuste fino de LLM (avançado)	Evolua os hiperparâmetros LoRA para o Gemma em um conjunto de dados de chamada de função treinado em GPUs L4 de escalonamento automático usando um RayCluster persistente no GKE.	Aprenda a conectar o AlphaEvolve à infraestrutura de treinamento de produção com controles de custos e observabilidade completa.