AlphaEvolve 概览

AlphaEvolve 是一款专用 AI 编程智能体，它使用进化方法来解决算法发现、数学搜索和组合优化用例。它特别适合属于 NP 完全或 NP 困难优化问题类别的应用场景。

AlphaEvolve 的主要输入是给定编程语言的代码块，这些代码块定义了需要解决的算法发现或组合搜索用例。输入代码应在功能上正确，但仍需进行优化，以满足由一组用户指定的评估指标定义的特定全局（非功能性）性能标准。

该智能体使用先进的进化启发式算法，在所有可能的算法设计选择和数学决策变量的空间中进行搜索。这样，AlphaEvolve 就可以识别出能够逐步提升目标优化目标效果的新程序。

AlphaEvolve 会在多代候选程序中迭代执行此启发式算法，直到发现满足用例所需的总体性能目标的全新解决方案。

何时不应使用 AlphaEvolve

在以下情况下，您无法使用 AlphaEvolve：

• 基本代码生成：AlphaEvolve 不是通用开发者助理（例如 Gemini CLI 或编码助理）。它不接受纯自然语言描述或不完整、无法运行的代码来输出基准功能代码。
• Linting 和代码样式：AlphaEvolve 不适用于基本代码优化，例如根据软件工程最佳实践或标准 linting 清理代码。

AlphaEvolve 专为需要创新设计和执行图来优化代码的场景而设计。它旨在搜索一个非常庞大的可能解决方案配置空间，其中所有候选方案在功能上都是正确的，但只有一部分满足所需的全局性能标准。

各种优化求解器和启发法

下表列出了 AlphaEvolve 相对于传统优化求解器和启发式算法的适用场景。

求解器类别	求解器类别通常解决的问题类型	示例算法	AlphaEvolve 是否适用？	AlphaEvolve 差异化功能
采用连续变量的凸优化方法	线性规划 二次规划 非线性规划 非凸优化	单纯形法 内点法	不适合。 现有算法可提供精确的解决方案，并且可能优于 AE。
基于梯度的方法		梯度下降法（SGD 和相关方法） 拟牛顿法（BFGS、L-BFGS）
数学规划和形式化方法（即“经典”运筹学方法）	整数规划 混合整数线性规划 约束满足问题	基于 KKT 的方法 约束条件放宽（本身不是算法，而是多种算法使用的方法） 基于对偶性和拉格朗日的方法 分支定界 分支和剪枝	可能适用。 此外，AE 还可用于增强现有工具或对其进行调优。
元启发式搜索方法	不规则/不可微分目标函数的问题。 在线优化问题	遗传算法 进化搜索 模拟退火 粒子群优化	可能适用。 此外，AE 还可用于增强现有工具或对其进行调优。
贝叶斯优化	未知或不透明框目标函数的问题。 调优机器学习流水线	基于高斯过程 基于树（TPE、SMAC）	绝对适用。
基于 LLM + 元启发式搜索的智能体	代码和算法优化应用场景 非结构化/语义搜索空间（无法拆分为一组离散决策变量）的问题 优化优化器使用场景	AlphaEvolve FunSearch（旧版）	完全适用。 （作为直接优化方法，或作为改进现有贝叶斯优化方法的一种方式）