このページは実践的な授業活動です。短い対話プロンプトで AI に基本的な EvoX 最適化タスクを生成・実行させ、エンジニアリング検収の方式でその実行結果を確認します。重点は「動かすこと」ではなく、次の検証にあります。「人間が方向を示し、AI が実装し、人間が検収する」という AI Native ワークフローの閉ループです。
活動の目標
実際の EvoX 環境で「プロンプト → 生成 → 実行 → 検収」という最小限の閉ループを完遂することが目的であり、読めるコードを手に入れることではありません。対話で AI に基本的な最適化タスクを実行させる過程を自ら体験し、エンジニアのようにその出力を点検する必要があります。
プロンプトを構成する要素（一つも欠かせない）
- 优化问题与目标函数：例えば Rastrigin 関数の最小化。
- 探索空間と次元：例えば 10 次元で、各次元の値の範囲。
- アルゴリズム／演算子の選択：例えば DE アルゴリズム、交叉・変異演算子。
- 种群规模与迭代代数：例えば個体群 128、反復 200 世代。
- 計算バックエンド：CPU または GPU テンソル化。
- 期待する出力：最適値、収束曲線、実行ログ。
プロンプトの粒度の取捨選択
粗すぎるプロンプトは AI のデフォルト設定を引き出してしまい、意図を満たしているか判断しにくくなります。細かすぎるプロンプトは手作業のコーディングに退化してしまいます。明確にすることをお勧めします。「制約と検収の基準」を明確にし、実装の詳細は AI に任せましょう。例えば、問題・アルゴリズム・個体群サイズ・反復回数を指定しますが、API を具体的にどう呼び出すかまでは指定する必要はありません。
実行結果のチェックリスト
- コードを示すだけでなく、実際に実行されたか？——ターミナルログと実行時間を確認します。
- 収束曲線は単調に改善し、異常な振動がないか？——曲線は着実に下降するはずです。
- 最適値は問題の既知のオーダーと一致するか？——例えば Rastrigin 関数の大域最適値は 0 です。
- 乱数シードと設定は再現可能か？——seed を固定して繰り返し実行すると、同じか近い結果が得られるはずです。
検収の視点からの問い直し
結果が期待に達しないときは、対話で制約を追加します。例えば「seed=42 に固定して再実行し、3 回繰り返した平均と分散を出してください」。AI が書き直すのではなく反復的に修正できるかを観察しましょう。これは問題と検収基準を正確に記述する能力を鍛えます。
人間と AI の役割分担
人間は問題の定義、指標の基準、結果の判定を担当し、AI は API の選択、コードの整理、デバッグと実行を担当します。この活動を通じて、AI Native ワークフローの中で自分の役割をより明確に位置づけられるようになります。
隣接する内容との境界
このページでは基本的なタスクのフロー検証のみを行い、MetaDE の二層進化、多目的トレードオフ、Genesis のマルチエージェントといった後続のテーマには踏み込みません。
参考プロンプト例
「EvoX で Rastrigin 関数（10 次元）の最小値を解いてください。DE アルゴリズムを使用し、個体群 128、反復 200 世代、GPU テンソル化バックエンドを使用し、seed=42 に固定します。直接実行し、最適適応度、収束曲線グラフ、実行ログを返してください。」
検収時は次の 4 点を照合します：実際に実行されたか、収束曲線の形状は妥当か、最適値は 0 に近いか、繰り返し実行の結果が一致するか。
EvoX 授業活動の閉ループこの対話形式のスクリーンショットは、授業活動の最小限の閉ループに対応しています。一段のプロンプトで AI に EvoX 最適化タスクを生成・実行させます。プロンプトには、問題、目的関数、探索空間、アルゴリズム、個体群サイズ、反復世代数、計算バックエンド、期待する出力を明示する必要があります。実行後は、実際に実行されたか、収束曲線は妥当か、最適値が既知のオーダーに近いか、種を固定して再現できるかで検収し、「人間が方向を示し、AI が実装し、人間が検収する」ことを体現します。
