開始在 Google Cloud 上使用 AlphaEvolve

1. 簡介

在本程式碼研究室中，您將在 Google Cloud 上執行前兩項 AlphaEvolve 實驗。AlphaEvolve 是 Google DeepMind 的 AI 輔助進化式程式碼架構，可使用 Gemini 編寫及改良程式碼，並根據您定義的指標評分。您會從圓形封裝開始，這是一個小型幾何問題，您可以實際觀察結果如何改善，然後在更困難的旅行推銷員問題上重複此過程，以便記住模式。

這兩項實驗都使用本機評估，候選程式碼會在您自己的電腦上執行，因此不需要 GPU，也不必管理叢集。唯一使用的雲端服務是 AlphaEvolve API，用於產生候選人。

學習內容

• 針對 Google Cloud 專案設定 AlphaEvolve 實驗
• 執行進化搜尋，在本機改善圓形封裝演算法
• 查看最佳演進式計畫的分數、排名和視覺化資料
• 重複旅行推銷員問題的迴圈，概括模式
• 調整搜尋預算 (候選人、並行、模型)

軟硬體需求

• 網路瀏覽器，例如 Chrome
• 已啟用計費功能的 Google Cloud 專案
• Python 3.9 以上版本和 uv
• 對 Python 和指令列有基本的瞭解

本程式碼研究室適合各種程度的 AI/機器學習工程師和開發人員。您不需要具備演化運算背景知識。

預計完成時間：45 到 60 分鐘。

費用：本程式碼研究室使用本機評估 (無 GPU，無 GKE)。系統只會針對產生候選人的 AlphaEvolve API 用量計費。

測試環境：AlphaEvolve Cloud 用戶端程式庫 v0.1.0、Python 3.9 以上版本，以及 circle_packing 和 tsp 範例。

2. 事前準備

選取專案並啟用 API

1. 在 Google Cloud 控制台中，選取或建立已啟用計費功能的專案，然後在終端機中設定：

gcloud config set project <YOUR_PROJECT_ID>

2. 啟用 Discovery Engine API，這是 AlphaEvolve 的服務對象：

gcloud services enable discoveryengine.googleapis.com

找出 Gemini Enterprise 應用程式 ID

AlphaEvolve 是透過 Gemini Enterprise 提供服務 (底層 REST 介面為 Discovery Engine API)。您需要應用程式的 ID (而非顯示名稱) 才能設定 GE_APP_ID。

1. 開啟專案的 Gemini Enterprise 應用程式頁面。
2. 按一下您的應用程式，然後複製「ID」欄位 (例如 gemini-enterprise-1234567890_1234567890123)。

請記下這個 ID，稍後會貼到「.env」中。除非您已佈建自訂助理，否則請保留 ASSISTANT=default_assistant。

驗證、複製及安裝

1. 驗證應用程式預設憑證：

gcloud auth application-default login

2. 複製範例存放區並開啟。您將從這個存放區根目錄執行每個指令：

git clone https://github.com/Google-Cloud-AI/alphaevolve-on-googlecloud.git
cd alphaevolve-on-googlecloud

3. 建立虛擬環境，並在其中安裝 AlphaEvolve 用戶端程式庫：

uv venv
uv pip install -e ".[dev]"

uv venv 會在存放區中建立 .venv；uv pip install -e ".[dev]" 會安裝 alpha_evolve 套件 (可編輯) 和測試工具。您將使用 uv run 啟動實驗，系統會自動使用這個環境。

3. 瞭解 AlphaEvolve 迴圈

執行任何項目之前，請先瞭解 AlphaEvolve 需要的三個部分。這是您在每次實驗中都會重複使用的心理模型。

種子計畫和 EVOLVE-BLOCK

AlphaEvolve 只會重新編寫兩個標記之間的程式碼。檔案中的其他所有內容都是固定架構，無法觸及。開啟 examples/circle_packing/src/program.py，種子是簡單的同心環封裝：

# EVOLVE-BLOCK-START
"""Constructor-based circle packing for n=26 circles"""
import numpy as np


def construct_packing(n, random_seed: int):
    """Construct an arrangement of 26 circles in a unit square.

    The goal is to maximize the sum of their radii.
    Returns (centers, radii, sum_of_radii).
    """
    rng = np.random.default_rng(random_seed)
    centers = np.zeros((n, 2))

    # A simple starting pattern — evolution will improve this.
    centers[0] = [0.5, 0.5]                      # one circle in the center
    for i in range(8):                           # 8 in an inner ring
        angle = 2 * np.pi * i / 8
        centers[i + 1] = [0.5 + 0.3 * np.cos(angle), 0.5 + 0.3 * np.sin(angle)]
    for i in range(16):                          # 16 in an outer ring
        angle = 2 * np.pi * i / 16 * rng.uniform(0.9, 1.1)
        centers[i + 9] = [0.5 + 0.7 * np.cos(angle), 0.5 + 0.7 * np.sin(angle)]

    centers = np.clip(centers, 0.01, 0.99)       # keep everything in the square
    radii = compute_max_radii(centers, random_seed)
    return centers, radii, np.sum(radii)


def compute_max_radii(centers, random_seed: int):
    """Grow each circle to touch its nearest border or neighbor (no overlaps)."""
    # ... see src/program.py for the full helper ...
# EVOLVE-BLOCK-END

/ EVOLVE-BLOCK-START EVOLVE-BLOCK-END 以外的所有項目 (包括 evaluate() 函式和重疊檢查) 都會保持凍結狀態。這就是訣竅所在：Gemini 可以提議任何包裝演算法，但無法變更候選人的評分方式。

評估者和分數

examples/circle_packing/src/evaluate.py 會在沙箱中執行每個候選項目，並傳回分數。圓形封裝的指標為 sum_of_radii，值越高越好：

CIRCLE_PACKING_EVALUATION_METRIC = "sum_of_radii"
CIRCLE_PACKING_EVALUATION_INPUTS = {"n": 26}

如果候選者違反規則 (圓圈重疊或離開方塊)，評估人員會傳回 -inf，以及說明問題的深入分析。這些洞察資料會回饋給 Gemini，讓下一代模型避免犯下相同錯誤。

這是每個 AlphaEvolve 問題的形狀：您可以在 EVOLVE-BLOCK 中表示的程式碼、可自動評估，以及單一純量分數 (盡量提高)。

4. 執行第一個實驗

設定實驗

在存放區根目錄中，使用圓形封裝範本建立 .env：

cp examples/circle_packing/example.env .env

開啟 .env，並只設定專案和應用程式 ID，其他所有項目都會在首次執行時使用預設值：

PROJECT_ID=<YOUR_PROJECT_ID>
GE_APP_ID=<YOUR_GEMINI_ENTERPRISE_APP_ID>

預設值會使用 Gemini 模型混合 (MODEL_1=gemini-3.5-flash 的權重為 0.7，MODEL_2=gemini-3.1-pro-preview 的權重為 0.3) 生成候選項目，並將搜尋上限設為 MAX_PROGRAMS_EVALUATED=10 (CONCURRENCY=4)，足以快速觀察迴圈運作。

開始演進

從存放區根目錄執行實驗：

uv run python -m examples.circle_packing.src.run_evolution

這會上傳種子程式、啟動搜尋，並執行本機控制迴路，直到評估 10 個候選項目為止。由於您是直接呼叫模組 (沒有包裝函式)，因此可以確切瞭解執行的內容，並編輯檔案進行實驗。

畫面會顯示類似以下的輸出：

INFO:alpha_evolve.experiment:Creating a new AlphaEvolve experiment
INFO:alpha_evolve.controller:Evolution loop started: 4 sampler(s), 32 evaluator(s), target=10 programs
INFO:alpha_evolve.controller:Waiting for the backend to generate candidates... (generated=0, evaluated=0/10, idle=10s)
INFO:alpha_evolve.workers:Candidate 1060655338894100 evaluated → sum_of_radii=0.8114
INFO:alpha_evolve.controller:Progress: generated=2, evaluated=1/10, queued=0
...
INFO:alpha_evolve.controller:Stopping criteria met (10/10 programs evaluated).

早期候選人的分數通常介於 0.8 到 1.0 之間，之後搜尋結果會有所改善。迴圈完成後，系統會列印排名最高的程式，並以 matplotlib 算繪最佳封裝。

注意：疑難排解：PERMISSION_DENIED 或 403 通常表示專案未啟用 Discovery Engine API。請重新檢查「事前準備」步驟。如果執行作業立即結束並顯示「Failed to create experiment」(無法建立實驗)，表示 .env 中的憑證或 GE_APP_ID 有誤。

5. 解讀結果

執行會列印依 sum_of_radii 排序的前幾名程式 (值越高越好)。請注意以下兩點：

• 分數提高了。最佳進化版 sum_of_radii 應勝過種子的同心圓版面配置。Gemini 通常會發現角落和邊緣附近的圓圈可以變大，並重新平衡內部。
• 系統會略過無效的候選人。如果程式產生重疊或超出範圍的圓圈，就會獲得 -inf 分數，並在排名中遭到略過。這是限制回饋機制在運作，而非錯誤。

在執行初期看到幾個低分或遭略過的候選項目是正常現象，這表示 Gemini 正在探索，而失敗的洞察資料會引導後續生成作業。

現在您已完成整個迴圈：種子 -> 生成 -> 評估 -> 評分 -> 重複。AlphaEvolve 的其他所有內容都是評估作業的執行位置變化。

6. 演變為實際搜尋：TSP

圓形封裝會快速收斂。如要感受搜尋功能在更複雜問題上的運作方式，請演化旅行推銷員問題的啟發式方法。模式完全相同，只有種子和指標會變更，TSP 範例會重複使用您的 .env (專案、預算和並行)。

1. 在 .env 中提高預算，讓較長的搜尋時間有改善空間：

# in .env — raise the generation cap and the evaluation target together
MAX_PROGRAMS_GENERATED=20
MAX_PROGRAMS_EVALUATED=20

2. 從存放區根目錄執行：

uv run python -m examples.tsp.src.run_evolution

這裡的種子是 50 個城市中最鄰近的旅遊行程；指標是 neg_tour_length (5 個固定執行個體的負平均旅遊行程長度，因此越高越好)。開啟 examples/tsp/src/program.py，並注意 EVOLVE-BLOCK 內只有 construct_tour(distances, n)。

這兩個問題的模式相同，但零件不同：

問題	語言	評估	指標 (越高越好)	進化內容
circle_packing	Python	當地時間 exec()	sum_of_radii	construct_packing()
tsp	Python	當地時間 exec()	neg_tour_length	construct_tour()

搜尋執行時，請觀察 neg_tour_length 攀升 (接近零) 的情況，因為 Gemini 會從最鄰近的鄰居，轉向 2-opt / or-opt 樣式的改善項目 (您未撰寫的策略)。

7. 調整搜尋結果

現在兩個執行項目都已運作，請在 .env 中調整預算：

• MAX_PROGRAMS_EVALUATED：要評分的候選人數。候選人越多 = 搜尋越深入，費用/時間也越高。
• CONCURRENCY：一次在放送期間產生的候選人數量。
• MODEL_1 / MODEL_2 (搭配 MODEL_1_WEIGHT / MODEL_2_WEIGHT) - Gemini 模型加權混合，可在圓形封裝執行中生成候選項目 (TSP 模組會讀取單一 MODEL)。允許的值為 gemini-3.5-flash 和 gemini-3.1-pro-preview。將權重轉移至較強大的模型，即可在較少的生成次數中找到更優質的節目。

每次變更後，請使用 uv run python -m examples.circle_packing.src.run_evolution (或 tsp 模組) 重新執行。

注意：提高 MAX_PROGRAMS_EVALUATED 和改用較大的模型都會增加費用。由於這個程式碼研究室使用本機評估，因此不會產生 GPU 費用，但您仍須為每個產生的候選項目支付 AlphaEvolve API 使用費。從小筆預算開始。

8. 清除所用資源

本程式碼研究室使用本機評估，因此不會有任何計費項目，包括叢集、GPU 和已部署的服務。如要完全重設結帳程序，請按照下列步驟操作：

git clean -xfd   # removes .env, .venv, and generated outputs

注意： git clean -xfd 會刪除 .env (包括專案設定) 和 .venv。如要繼續實驗，請略過這項步驟。

如果您是專為本程式碼研究室建立專案，請在控制台中刪除專案，以免產生任何費用。

9. 恭喜

恭喜！您在 Google Cloud 上執行了第一個 AlphaEvolve 實驗，並使用種子程式、評分函式和 Gemini，演化出兩種演算法：圓形封裝和 TSP 啟發式演算法。

目前所學內容

• AlphaEvolve 的迴圈運作方式：種子 -> 生成 -> 評估 -> 評分 -> 重複
• EVOLVE-BLOCK 合約，可讓搜尋功能最佳化食譜，而不必操弄指標
• 分數和失敗洞察如何引導下一代
• 如何設定、執行、解讀及調整本機評估實驗

其他程式碼研究室

這些是獨立的步驟，完成順序不拘。

• 使用遠端評估工具演化編譯的程式碼：演化 Rust/C++ 演算法，並透過 Cloud Run 上的容器化評估工具評估分數。
• 在 GKE + Ray 上演進 LLM 微調：在自己的叢集上執行大量平行 GPU 評估。

參考文件

• AlphaEvolve 開發人員指南
• AlphaEvolve 範例存放區
• 圓形封裝範例
• TSP 範例