OpenAlpha_Evolve: Die Open-Source-Alternative zu Googles neuem KI-Algorithmus

OpenAlpha_Evolve ist ein Open-Source-Python-Framework, das von dem kürzlich veröffentlichten technischen Papier zu DeepMinds AlphaEvolve inspiriert wurde. Es zielt darauf ab, eine zugängliche, verständliche und erweiterbare Plattform für Forscher, Entwickler und Technikbegeisterte zu bieten, um die faszinierende Schnittstelle von KI, Code-Generierung und automatisiertem Problemlösen zu erkunden.

✨ Die Vision: KI-gesteuerte algorithmische Innovation

Stellen Sie sich einen Agenten vor, der:

• Ein komplexes Problem verstehen kann.
• Erste algorithmische Lösungen generiert.
• Seinen eigenen Code rigoros testet.
• Aus Fehlern und Erfolgen lernt.
• Im Laufe der Zeit zunehmend ausgeklügelte und effiziente Algorithmen entwickelt.

OpenAlpha_Evolve ist ein Schritt in diese Richtung. Es geht nicht nur darum, Code zu generieren; es geht darum, ein System zu schaffen, das Lösungen autonom entdeckt und verfeinert.

🧠 Wie es funktioniert: Der evolutionäre Zyklus

OpenAlpha_Evolve verwendet eine modulare, agentenbasierte Architektur, um einen evolutionären Prozess zu orchestrieren:

1. Aufgabenbeschreibung: Der Benutzer definiert die algorithmische “Quest” – das zu lösende Problem, einschließlich Beispielen für Eingaben und erwartete Ausgaben.
2. Prompt-Engineering (PromptDesignerAgent): Dieser Agent erstellt intelligente Prompts für das LLM, um die ersten Kandidatenlösungen zu generieren.
3. Code-Generierung (CodeGeneratorAgent): Angetrieben von einem LLM (aktuell für Gemini konfiguriert), generiert dieser Agent Python-Code basierend auf den Prompts.
4. Bewertung (EvaluatorAgent): Der generierte Code wird getestet, um die Syntax zu überprüfen und die Ausführung gegen die definierten Eingabe-/Ausgabebeispiele zu testen.
5. Datenbank (DatabaseAgent): Alle Programme werden gespeichert, um eine Aufzeichnung der evolutionären Geschichte zu erstellen.
6. Selektion (SelectionControllerAgent): Dieser Agent wählt die vielversprechendsten Programme aus, um Nachkommen zu erzeugen.
7. Iteration: Dieser Zyklus wird über eine definierte Anzahl von Generationen wiederholt.
8. Orchestrierung (TaskManagerAgent): Koordiniert alle anderen Agenten und verwaltet den gesamten evolutionären Zyklus.

🚀 Hauptmerkmale

• LLM-gestützte Code-Generierung: Nutzt modernste Large Language Models über LiteLLM.
• Evolutionärer Algorithmus-Kern: Implementiert iterative Verbesserungen durch Selektion und LLM-gesteuerte Mutation.
• Modulare Agentenarchitektur: Ermöglicht die einfache Erweiterung oder den Austausch einzelner Komponenten.
• Automatisierte Programmevaluation: Syntaxprüfung und funktionale Tests gegen benutzerdefinierte Beispiele.
• Konfigurationsmanagement: Einfache Anpassung von Parametern über Konfigurationsdateien.
• Ausführliche Protokollierung: Umfassende Protokolle bieten Einblicke in jeden Schritt des evolutionären Prozesses.
• Diff-basierte Mutationen: Das System verwendet Diffs für Mutationen und Fehlerbehebungen.
• Open Source & erweiterbar: Entwickelt mit Python, entworfen für Experimente und Beiträge der Community.

📂 Projektstruktur

./
├── code_generator/          # Agent zur Generierung von Code mit LLMs.
├── database_agent/         # Agent zur Verwaltung der Speicherung und Abrufung von Programmen.
├── evaluator_agent/        # Agent, der den generierten Code bewertet.
├── prompt_designer/       # Agent, der Prompts für das LLM erstellt.
├── selection_controller/   # Agent, der die Selektionsstrategie implementiert.
├── task_manager/           # Agent, der den evolutionären Zyklus orchestriert.
├── config/                 # Enthält Konfigurationsdateien.
├── core/                   # Definiert Kern-Datenstrukturen und Schnittstellen.
├── tests/                  # Beinhaltet Tests zur Sicherstellung der Codequalität.
├── main.py                 # Haupteinstiegspunkt zur Ausführung des Systems.
├── requirements.txt        # Listet alle erforderlichen Python-Paketabhängigkeiten auf.
├── .env.example            # Beispiel für Umgebungsvariablen.
├── .gitignore              # Gibt an, welche Dateien Git ignorieren soll.
├── LICENSE.md              # Enthält den vollständigen Text der MIT-Lizenz.
└── README.md               # Bietet einen Überblick über das Projekt.

🏁 Erste Schritte

1. Voraussetzungen: Python 3.10+, pip, git und Docker.
2. Repository klonen: git clone https://github.com/shyamsaktawat/OpenAlpha_Evolve.git
3. Virtuelle Umgebung einrichten: python -m venv venv und aktivieren.
4. Abhängigkeiten installieren: pip install -r requirements.txt
5. Umgebungsvariablen einrichten: Erstellen Sie Ihre persönliche Umgebungsdatei.
6. OpenAlpha_Evolve ausführen: python -m main examples/shortest_path.yaml
7. Gradio-Weboberfläche starten: python app.py

💡 Definieren Ihrer eigenen algorithmischen Quests!

Sie können Ihre Aufgaben auf zwei Arten definieren: durch YAML-Dateien oder programmgesteuert mit der TaskDefinition-Klasse.

🔮 Der Horizont: Zukünftige Evolution

OpenAlpha_Evolve ist ein experimentelles Projekt, das darauf abzielt, die Konzepte der KI-gesteuerten Code-Generierung und automatisierten Entdeckung zugänglicher zu machen.

🤝 Treten Sie der Evolution bei: Mitwirken

Wir laden alle ein, zur Weiterentwicklung von OpenAlpha_Evolve beizutragen. Ob Sie ein KI-Forscher, ein Python-Entwickler oder einfach ein Enthusiast sind, Ihre Beiträge sind willkommen!

📜 Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert. Siehe die LICENSE.md-Datei für Details.