Trang này là một hoạt động thực hành trên lớp: dùng một đoạn gợi ý hội thoại ngắn để dẫn dắt AI tạo và chạy một nhiệm vụ tối ưu EvoX cơ bản, sau đó kiểm tra kết quả chạy theo cách nghiệm thu của kỹ sư. Trọng tâm không nằm ở việc “chạy được”, mà ở việc xác minh“con người định hướng, AI triển khai, con người nghiệm thu”vòng lặp công việc AI Native này.
Mục tiêu hoạt động
Hoàn thành vòng lặp tối thiểu “gợi ý → tạo sinh → chạy → nghiệm thu” trong môi trường EvoX thực tế, chứ không chỉ nhận được một đoạn mã đọc được. Bạn cần tự mình trải nghiệm cách dùng hội thoại dẫn dắt AI hoàn thành một nhiệm vụ tối ưu cơ bản, và kiểm tra đầu ra của nó như một kỹ sư.
Các yếu tố cấu thành gợi ý (không thể thiếu yếu tố nào)
- Bài toán tối ưu và hàm mục tiêu: ví dụ tối thiểu hóa hàm Rastrigin.
- Không gian tìm kiếm và số chiều: ví dụ 10 chiều, phạm vi giá trị của mỗi chiều.
- Lựa chọn thuật toán/toán tử: ví dụ thuật toán DE, toán tử lai ghép và đột biến.
- Kích thước quần thể và số thế hệ lặp: ví dụ quần thể 128, lặp 200 thế hệ.
- Backend tính toán: CPU hoặc tensor hóa trên GPU.
- Đầu ra mong đợi: giá trị tối ưu, đường hội tụ, nhật ký chạy.
Cân nhắc độ chi tiết của gợi ý
Gợi ý quá thô sẽ kích hoạt cấu hình mặc định của AI, khó đánh giá liệu có đúng ý định hay không; gợi ý quá chi tiết lại thoái hóa thành việc viết mã thủ công. Nên làm rõ“ràng buộc và tiêu chuẩn nghiệm thu”, còn chi tiết triển khai thì để AI lo. Ví dụ, chỉ định bài toán, thuật toán, kích thước quần thể và số vòng lặp, nhưng không cần chỉ định cụ thể cách gọi API.
Danh sách kiểm tra kết quả chạy
- Có thực sự thực thi hay chỉ đưa ra mã?——Xem nhật ký terminal và thời gian chạy.
- Đường hội tụ có đơn điệu cải thiện và không dao động bất thường không?——Đường cong nên giảm đều đặn.
- Giá trị tối ưu có khớp với độ lớn đã biết của bài toán không?——ví dụ tối ưu toàn cục của hàm Rastrigin là 0.
- Seed ngẫu nhiên và cấu hình có thể tái lập không?——Sau khi cố định seed, chạy lại nhiều lần phải cho kết quả giống hoặc gần giống nhau.
Truy vấn từ góc độ nghiệm thu
Khi kết quả không đạt kỳ vọng, hãy bổ sung ràng buộc qua hội thoại, ví dụ “cố định seed=42, chạy lại và cho biết trung bình và phương sai của ba lần lặp lại”. Quan sát xem AI có thể lặp lại chỉnh sửa thay vì viết lại từ đầu hay không. Điều này rèn luyện khả năng mô tả chính xác bài toán và tiêu chuẩn nghiệm thu của bạn.
Phân công người và máy
Con người chịu trách nhiệm định nghĩa bài toán, tiêu chuẩn chỉ số và phán định kết quả; AI chịu trách nhiệm chọn API, tổ chức mã và gỡ lỗi thực thi. Qua hoạt động này, bạn sẽ xác định rõ hơn vai trò của mình trong quy trình làm việc AI Native.
Ranh giới với các nội dung liền kề
Trang này chỉ xác minh quy trình của nhiệm vụ cơ bản, không đi sâu vào các chủ đề tiếp theo như tiến hóa hai tầng MetaDE, cân bằng đa mục tiêu hay đa Agent Genesis.
Ví dụ gợi ý tham khảo
“Dùng EvoX giải giá trị nhỏ nhất của hàm Rastrigin (10 chiều), dùng thuật toán DE, quần thể 128, lặp 200 thế hệ, dùng backend tensor hóa trên GPU, cố định seed=42; hãy chạy trực tiếp và trả về độ thích nghi tối ưu, đồ thị đường hội tụ và nhật ký chạy.”
Khi nghiệm thu, đối chiếu bốn điểm: có thực sự chạy không, hình dạng đường hội tụ có hợp lý không, giá trị tối ưu có gần 0 không, kết quả chạy lại có nhất quán không.
Vòng lặp hoạt động EvoX trên lớpẢnh chụp tương tác này tương ứng với vòng lặp tối thiểu của hoạt động trên lớp: dùng một đoạn gợi ý để AI tạo và chạy nhiệm vụ tối ưu EvoX; gợi ý cần trình bày rõ bài toán, hàm mục tiêu, không gian tìm kiếm, thuật toán, kích thước quần thể, số thế hệ lặp, backend tính toán và đầu ra mong đợi. Sau khi chạy, nghiệm thu dựa trên việc có thực thi thực sự, đường hội tụ có hợp lý, giá trị tối ưu có gần độ lớn đã biết và seed cố định có thể tái lập hay không, thể hiện con người định hướng, AI triển khai, con người nghiệm thu.
