Эта страница — практическое задание: с помощью короткого диалогового промпта вы заставляете ИИ сгенерировать и запустить базовую задачу оптимизации в EvoX, а затем проверяете результат так, как это делает инженер при приёмке. Главное здесь — не «чтобы просто заработало», а проверить«человек задаёт направление, ИИ даёт реализацию, человек принимает результат»— этот замкнутый цикл работы в парадигме AI Native.
Цель задания
Пройти минимальный цикл «промпт → генерация → запуск → приёмка» в реальной среде EvoX, а не просто получить читаемый код. Вы на собственном опыте узнаете, как с помощью диалога вести ИИ к решению базовой задачи оптимизации, и научитесь проверять его результаты как инженер.
Обязательные элементы промпта (ни один нельзя опустить)
- Задача оптимизации и целевая функция: например, минимизация функции Rastrigin.
- Пространство поиска и размерность: например, 10 измерений и диапазон значений для каждого.
- Выбор алгоритма/операторов: например, алгоритм DE, операторы скрещивания и мутации.
- Размер популяции и число поколений: например, популяция 128, 200 поколений.
- Вычислительный бэкенд: CPU или тензоризация на GPU.
- Ожидаемый вывод: оптимальное значение, кривая сходимости, журнал выполнения.
Выбор степени детализации промпта
Слишком общий промпт заставит ИИ использовать настройки по умолчанию, и будет сложно понять, соответствует ли результат замыслу; слишком детальный промпт сводится к ручному программированию. Рекомендуется чётко указать«ограничения и критерии приёмки», а детали реализации оставить ИИ. Например, укажите задачу, алгоритм, размер популяции и число итераций, но не расписывайте, как именно вызывать API.
Чек-лист проверки результатов
- Действительно ли код выполнен, а не просто сгенерирован? — Проверьте журнал терминала и время выполнения.
- Монотонно ли улучшается кривая сходимости, нет ли аномальных колебаний? — Кривая должна стабильно снижаться.
- Соответствует ли оптимальное значение известному порядку для данной задачи? — Например, глобальный оптимум функции Rastrigin равен 0.
- Воспроизводимы ли случайное зерно и конфигурация? — При фиксированном seed повторные запуски должны давать одинаковые или близкие результаты.
Уточняющие вопросы при приёмке
Когда результат не оправдывает ожиданий, добавляйте ограничения через диалог, например: «Зафиксируй seed=42, перезапусти и приведи среднее и дисперсию по трём повторам». Смотрите, сможет ли ИИ доработать решение, а не переписать его с нуля. Это тренирует умение точно формулировать задачу и критерии приёмки.
Разделение задач между человеком и ИИ
Человек отвечает за постановку задачи, определение метрик и оценку результата; ИИ — за выбор API, организацию кода и отладку с запуском. Это задание поможет вам чётче определить свою роль в рабочем процессе AI Native.
Границы с соседними темами
На этой странице проверяется только процесс выполнения базовой задачи; темы двухуровневой эволюции MetaDE, многокритериальных компромиссов и мультиагентных систем Genesis здесь не рассматриваются.
Пример промпта
«С помощью EvoX найдите минимум функции Rastrigin (10 измерений), алгоритм DE, популяция 128, 200 поколений, бэкенд с тензоризацией на GPU, фиксированный seed=42; запустите сразу и верните оптимальное значение приспособленности, график сходимости и журнал выполнения».
При приёмке проверьте четыре пункта: действительно ли код выполнялся, разумна ли форма кривой сходимости, близко ли оптимальное значение к 0, совпадают ли результаты повторных запусков.
