本頁是一次動手課堂活動：用一段簡短的對話提示，驅動 AI 生成並執行一個基礎的 EvoX 最佳化任務，再以工程驗收的方式檢查其執行結果。重點不在「跑通」，而在驗證「人給方向、AI 給實現、人做驗收」的 AI Native 工作閉環。
活動目標
在真實 EvoX 環境中完成「提示 → 生成 → 執行 → 驗收」的最小閉環，而非僅獲得一段可讀程式碼。你需要親身體驗如何用對話引導 AI 完成一個基礎最佳化任務，並像工程師一樣檢查其輸出。
提示建構要素（缺一不可）
- 最佳化問題與目標函數：例如 Rastrigin 函數最小化。
- 搜尋空間與維度：例如 10 維，每個維度的取值範圍。
- 演算法／算子選擇：例如 DE 演算法，交叉、變異算子。
- 族群規模與迭代代數：例如族群 128，迭代 200 代。
- 運算後端：CPU 或 GPU 張量化。
- 預期輸出：最佳值、收斂曲線、執行日誌。
提示的粒度取捨
過粗的提示會觸發 AI 的預設組態，難以判斷是否滿足意圖；過細的提示則退化為人工編碼。建議明確「約束與驗收口徑」，把實現細節留給 AI。例如，指定問題、演算法、族群大小和迭代次數，但無需指定具體如何呼叫 API。
執行結果檢查清單
- 是否真正執行而非僅給出程式碼？——查看終端日誌和執行時間。
- 收斂曲線是否單調趨優且無異常震盪？——曲線應穩步下降。
- 最佳值是否與問題已知量級相符？——如 Rastrigin 函數全域最佳值為 0。
- 隨機種子與組態是否可重現？——固定 seed 後重複執行應得到相同或相近結果。
驗收視角的追問
當結果不達預期時，用對話追加約束，例如「固定 seed=42 重跑並給出三次重複的均值變異數」。觀察 AI 是否能迭代修正而非重寫。這能訓練你精準描述問題和驗收標準的能力。
人機分工
人類負責問題定義、指標口徑與結果判定；AI 負責 API 選擇、程式碼組織與除錯執行。透過這次活動，你將更清晰地在 AI Native 工作流中定位自己的角色。
與相鄰內容的邊界
本頁只做基礎任務的流程驗證，不展開 MetaDE 雙層演化、多目標權衡或 Genesis 多 Agent 等後續主題。
參考提示範例
「用 EvoX 求解 Rastrigin 函數（10 維）的最小值，採用 DE 演算法，族群 128，迭代 200 代，使用 GPU 張量化後端，固定 seed=42；請直接執行並回傳最佳適應度、收斂曲線圖和執行日誌。」
驗收時對照四點：是否真實執行、收斂曲線形態是否合理、最佳值是否接近 0、重複執行結果是否一致。
EvoX 課堂活動閉環這張互動截圖對應課堂活動的最小閉環：用一段提示讓 AI 生成並執行 EvoX 最佳化任務，提示需交代問題、目標函數、搜尋空間、演算法、族群規模、迭代代數、運算後端與預期輸出。執行後按是否真實執行、收斂曲線是否合理、最佳值是否接近已知量級、固定種子能否重現來驗收，體現人給方向、AI 實現、人做驗收。
EvoX 課堂活動閉環
這張互動截圖對應課堂活動的最小閉環：用一段提示讓 AI 生成並執行 EvoX 最佳化任務，提示需交代問題、目標函數、搜尋空間、演算法、族群規模、迭代代數、運算後端與預期輸出。執行後按是否真實執行、收斂曲線是否合理、最佳值是否接近已知量級、固定種子能否重現來驗收，體現人給方向、AI 實現、人做驗收。
