Google Cloud 在 2026 年 7 月 10 日宣布 AlphaEvolve 正式开放。它不是普通 coding assistant，而是一个建立在 Gemini 之上的 code optimization and discovery agent，目标是系统性探索巨大的算法搜索空间，为企业和研究问题找出更好的程序和优化方案。
AlphaEvolve 的定位很清楚：很多高价值问题本质上都是 optimization problem，例如 microchip design、delivery network planning、大模型训练架构、warehouse routing、forecasting pipeline、GPU kernel 和金融服务中的模型效率。传统工程方法通常只能探索一小部分可能实现，因为搜索空间太大。
Google Cloud 描述的流程分为四步。第一是 Define，提供 seed algorithm、问题定义和背景知识。第二是 Measure，建立 scoring function，客观量度 correctness、performance 或 operational constraints。第三是 Optimize，由 AlphaEvolve 的 agentic harness 生成并评估候选程序。第四是 Apply，把优化后的 algorithm 部署到 production workloads 和 infrastructure。
这套流程重要的地方，在于它要求评估函数先行。AlphaEvolve 不是靠模型自己判断答案是否漂亮，而是透过可执行、可量度的 evaluator 反复测试候选方案。这令 agentic code generation 由「产生看似合理的 code」，向「在明确分数下搜索更好 code」前进一步。
Google Cloud 列出的案例覆盖很广。BASF 用它建立供应链 digital twin；Coolblue 用它优化 28 天需求预测 pipeline；FM Logistic 在已高度优化的 warehouse routing baseline 上再取得 10.4% 改善；JetBrains 用它探索 IDE performance；Kinaxis 在 forecasting accuracy 和 runtime 上取得提升；Klarna 则在受监管金融服务约束下，让大型 ML training pipeline throughput 翻倍。
更值得留意的是 Google 自己的基础设施使用。文章提到 AlphaEvolve 已用于下一代 TPU silicon design、Google Spanner compaction heuristics、compiler optimization、自然灾害风险预测，以及 Willow quantum processor 相关 quantum circuits。这些例子说明，AI agent 的价值不只是写 app code，而是可以进入更底层的工程和科学搜索问题。
对企业来说，AlphaEvolve 的启示是 agent workflow 必须和测试、benchmark、runtime constraint 绑在一起。没有 deterministic evaluator，就很难把自动生成的候选方案带进 production。换句话说，未来的 AI coding agent 可能不只是「帮工程师写」，而是「在工程师定义的评分规则里，反复搜索和验证」。
这次 GA 也把 Gemini Enterprise Agent Platform 的方向讲得更具体。Agent 不再只是对话入口，而可以是一个长时间运作的搜索系统：读取问题、生成候选、执行测试、提交分数、再继续探索。当企业面对的瓶颈是供应链、芯片、模型训练、物流或营销预测，这类 agent 会比一般聊天式 AI 更贴近实际价值。
