课堂活动：对话引导 AI 完成 EvoX 任务

本页是一次动手课堂活动：用一段简短的对话提示，驱动 AI 生成并运行一个基础的 EvoX 优化任务，再以工程验收的方式检查其运行结果。重点不在“跑通”，而在验证“人给方向、AI 给实现、人做验收”的 AI Native 工作闭环。

活动目标

在真实 EvoX 环境中完成“提示 → 生成 → 运行 → 验收”的最小闭环，而非仅获得一段可读代码。你需要亲身体验如何用对话引导 AI 完成一个基础优化任务，并像工程师一样检查其输出。

提示构造要素（缺一不可）

• 优化问题与目标函数：例如 Rastrigin 函数最小化。
• 搜索空间与维度：例如 10 维，每个维度的取值范围。
• 算法/算子选择：例如 DE 算法，交叉、变异算子。
• 种群规模与迭代代数：例如种群 128，迭代 200 代。
• 计算后端：CPU 或 GPU 张量化。
• 期望输出：最优值、收敛曲线、运行日志。

提示的粒度取舍

过粗的提示会触发 AI 的默认配置，难以判断是否满足意图；过细的提示则退化为人工编码。建议明确“约束与验收口径”，把实现细节留给 AI。例如，指定问题、算法、种群大小和迭代次数，但无需指定具体如何调用 API。

运行结果检查清单

• 是否真正执行而非仅给出代码？——查看终端日志和运行时间。
• 收敛曲线是否单调趋优且无异常震荡？——曲线应稳步下降。
• 最优值是否与问题已知量级相符？——如 Rastrigin 函数全局最优为 0。
• 随机种子与配置是否可复现？——固定 seed 后重复运行应得到相同或相近结果。

验收视角的追问

当结果不达预期时，用对话追加约束，例如“固定 seed=42 重跑并给出三次重复的均值方差”。观察 AI 是否能迭代修正而非重写。这能训练你精准描述问题和验收标准的能力。

人机分工

人类负责问题定义、指标口径与结果判定；AI 负责 API 选择、代码组织与调试执行。通过这次活动，你将更清晰地在 AI Native 工作流中定位自己的角色。

与相邻内容的边界

本页只做基础任务的流程验证，不展开 MetaDE 双层演化、多目标权衡或 Genesis 多 Agent 等后续主题。

参考提示示例

“用 EvoX 求解 Rastrigin 函数（10 维）的最小值，采用 DE 算法，种群 128，迭代 200 代，使用 GPU 张量化后端，固定 seed=42；请直接运行并返回最优适应度、收敛曲线图和运行日志。”

验收时对照四点：是否真实运行、收敛曲线形态是否合理、最优值是否接近 0、重复运行结果是否一致。