SkillFoxx
Telegram

AlphaEvolve on Google Cloud — скилл

Шесть скиллов и CLI ae: агент ведет эксперимент AlphaEvolve от постановки задачи до встраивания лучшего кода

  • 129 ★ репозитория
  • Последний коммит
  • Apache-2.0
СкиллВыбор редакции

Широкий доступ

Почему такой уровень

  • Запускает платные вызовы Gemini и вычисления в вашем проекте Google Cloud.
  • Агент получает доступ к учетным данным gcloud и вносит правки в код.
Все причины и проверки

google-cloud-ai/alphaevolve-on-googlecloudАвтор:Google-Cloud-AI

Установка

В терминале, через SkillFoxx CLI

npx skillfoxx add skills/alphaevolve-on-google-cloud

Определит агенты на машине, покажет уровень доступа и зафиксирует версию.

Другие способы установки

Доступ и проверки

Как мы проверяем

Широкий доступИнструмент может менять данные, выполнять команды или работать с секретами.

  • Запускает платные вызовы Gemini и вычисления в вашем проекте Google Cloud.
  • Агент получает доступ к учетным данным gcloud и вносит правки в код.

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

AlphaEvolve — эволюционный кодирующий агент Google на основе Gemini, который ищет и улучшает алгоритмы: пользователь задает исходную программу и оценочную функцию, а система поколение за поколением предлагает правки, проверяет кандидатов и сдвигает популяцию к лучшим решениям. Репозиторий содержит клиентскую библиотеку, примеры для разных окружений Google Cloud и набор скиллов. Шесть скиллов проводят агента по всему циклу. `alpha_evolve_experiment_design` создает эксперимент по тестовому подходу и пишет оценщик, `alpha_evolve_runner` проверяет подключение и запускает запуск через `ae`, `alpha_evolve_monitor` следит за ходом и показывает прогресс, `alpha_evolve_post_experiment` анализирует итоги, строит отчеты и переносит лучший код в проект. `alpha_evolve_orchestrator` связывает этапы, `alpha_evolve_consultant` отвечает на вопросы по справочнику только на чтение.

Для кого. Инженерам и исследователям с доступом к Gemini Enterprise в своем проекте Google Cloud, которые оптимизируют Python-код эволюционным поиском.

Подходит, если

  • Нужно улучшить алгоритм по метрике, например упаковку кругов или скорость ядра.
  • Исходная программа и оценщик пока не готовы, и их собирают с агентом.
  • Идущий эксперимент нужно отслеживать с периодическими отчетами.
  • Лучший найденный код надо аккуратно вернуть в кодовую базу.

Не подходит, если

  • Нет проекта Google Cloud с подключенным AlphaEvolve и Gemini Enterprise.
  • Нужно эволюционировать код не на Python.
  • Оптимизируются сразу несколько мест в коде, а версия проверена на одном.

Пример запроса к агенту

Запусти alpha_evolve_orchestrator: помоги описать задачу оптимизации моей функции и подготовь эксперимент.

Ограничения

Версия скиллов поддерживает только Python-код и проверена на одном месте эволюции за раз. Тестировалась на Python 3.13.7 и новее, работает на Linux, macOS и Windows. Требуются Google Cloud CLI с входом `gcloud auth application-default login`, пакетный менеджер `uv`, проект с платежным аккаунтом и движок Gemini Enterprise с подключенным AlphaEvolve. Эксперименты тратят платные вызовы моделей Gemini и вычислительные ресурсы проекта, раздел Cost документации описывает расходы. Автор рекомендует Gemini 3.5 Flash в роли помощника по коду.

Как отключить. Удалите скиллы из каталога помощника по коду и CLI командой `uv tool uninstall` для пакета `ae`. Запущенные эксперименты остановите в консоли Google Cloud.

Частые вопросы

Как установить скиллы AlphaEvolve?

Сначала `uv tool install "git+https://github.com/Google-Cloud-AI/alphaevolve-on-googlecloud.git#subdirectory=skills"`, затем `ae skills install` и выбор помощника по меню.

Какие помощники поддерживаются?

Меню установки показывает Gemini CLI, Antigravity, Claude Code и OpenAI Codex, а также свой путь.

Как проверить, что скиллы загрузились?

Попросите помощника перечислить доступные скиллы: в списке должны быть шесть `alpha_evolve_*`.

Чем отличается консультант?

`alpha_evolve_consultant` только отвечает на вопросы по экспертному справочнику и ничего не запускает.

Можно ли проверить ядро без инфраструктуры?

Пример Circle Packing работает с локальной оценкой на Python и требует только доступ к API AlphaEvolve.

Обсуждение

Вопросов и отзывов пока нет.

Скиллы

Открытый фреймворк: языковые модели и эволюционный отбор ищут и улучшают код для задач оптимизации и алгоритмов

CLIШирокий доступ157
Выбор редакции

CLI и набор скиллов от Google: помогает кодинг-агенту создавать, оценивать и разворачивать агентов на Google Cloud через ADK и Gemini Enterprise

CLIШирокий доступ6,3 тыс.

Память агентов на MCP: траектории прошлой работы становятся правилами для новых задач, есть легкая версия для Claude Code и Codex

MCP-серверРасширенный доступ136

Фреймворк эволюции агентов правит промпты и скиллы параллельными воркерами и оставляет только то, что прошло отложенную проверку.

CLIШирокий доступ204

Прогоняет кодинг-агента по задачам с известными ответами, разбирает провалы и дописывает скиллы и промпты, версии лежат в Git.

CLIШирокий доступ1,3 тыс.

Параллельная самоэволюция скиллов и промптов: воркеры присылают правки, агрегатор сливает их в один версионируемый артефакт

ПлагинРасширенный доступ7

Коротко о README

Репозиторий состоит из клиентской библиотеки `alpha_evolve`, примеров от чистого Python до GPU-обучения на GKE и папки скиллов с CLI `ae`.

Бейдж для README

Исходный SKILL.md

---
name: alpha-evolve-orchestrator
description: >
  End-to-end AlphaEvolve experiment orchestrator. Chains the Design, Runner,
  Monitor, and Post-Experiment skills into a seamless workflow. Detects where
  the user is in the experiment lifecycle and picks up from there.
  Triggers on: "evolve this function", "optimize with AlphaEvolve",
  "set up an AlphaEvolve experiment", "make this faster",
  "improve performance", "find a better algorithm",
  "optimize this function", "use evolutionary search",
  "AlphaEvolve this", "run AlphaEvolve end to end".
---

# Alpha Evolve Orchestrator

You orchestrate the full AlphaEvolve experiment lifecycle by chaining four
sub-skills in sequence: **Design**, **Runner**, **Monitor**, and
**Post-Experiment**. Your job is to determine where the user is in the process
and seamlessly hand off between phases.

## Critical Rules

1.  **Detect the entry point.** Not every user starts from scratch. Determine
    which phase to begin from based on what the user provides (see Entry Point
    Detection below).
2.  **Never skip a required gate.** Each phase has a completion gate. Do not
    advance to the next phase until the current gate is satisfied.
3.  **Track state across phases.** You are responsible for passing handoff
    artifacts between phases. Record them explicitly so nothing is lost.
4.  **Be concise.** Do not narrate your internal reasoning. State what you are
    doing, show results, ask questions when needed.
5.  **Never execute user code directly.** Delegate all code execution to the
    sub-skills, which use sandboxed evaluation.
6.  **Never initiate version control workflows or search for bugs.** Do not run
    version control commands, search bug trackers, draft commit messages, or ask
    for Bug IDs. These are irrelevant to the optimization task. Experiment files
    are local working artifacts. Only create a commit if the user explicitly
    asks.
7.  **Never ask "what do you mean by optimize?"** when the user says "optimize
    my code at `<path>`". This is a clear request for AlphaEvolve optimization.
    Proceed directly to Phase 1 Design. Only ask for clarification when the
    request is genuinely ambiguous (e.g., "help me with this code").

--------------------------------------------------------------------------------

## Entry Point Detection

When the user invokes this skill, determine where to start based on what they
provide:

Сообщить о проблеме