本文介绍了淘宝直播数字人互动从传统静态 Workflow 架构向动态 Agentic 架构的升级实践。通过融合 LLM 与 Agent 自主规划能力，利用 AgentTuning 蒸馏降低延迟、RLVR 减少幻觉，并针对业务挑战研发 Multi-Agent RL 算法，将工具调用与回复模型分离进行协同强化学习优化。最终实现了低延迟（1.79秒）、高拟真度的深度互动，显著提升了事实正确性、帮助性及多轮对话用户比例，打造了下一代数字直播范式。
2026 年，AI 不再是一个 buzzword——它已经切切实实地渗透进了每一行代码、每一次技术决策。说来惭愧，作为一个校招入职不到两年的程序员，我的 IDEA 已经吃灰半年多了。那些曾经引以为傲的快捷键肌肉记忆，如今被同事们调侃为"古法编程"。大模型这波浪潮，不是未来已来，是过去已去。6 月，支付宝 CY26-618 电商大促如期而至。今年的技术命题只有一个：让 AI 能力真正触达 C 端用户，真正走进 C 端用户的购物体验。
本文提到的意识指 QoderWork 内的意识功能，包括但不限于长短期记忆、用户画像、工作手册等，但本最佳实践适用于任何市面主流的 Agent 。
Qoder Cloud Agents 工程实践系列：如果 Agent 的边界是工具调用，那么 Cloud Use 的边界则是云原生执行。前者让 AI 帮人操作软件，后者让 Agent 成为云上的新型工作负载。读完这篇文章，我们会看到 Cloud Use 和普通 Tool Use 的差别其实不在「能不能调 API」，在于 Agent 是否能以受治理的身份、凭证、环境、生命周期和审计轨迹，真正进入云的生产体系。
当万卡集群每日遭遇数十次 GPU 故障，当超节点适配困于"无环境可验、无数据可训、无路径可推"，我们不再等待故障发生——而是用数字的方式主动创造一个可控、可测、可进化的"算力风洞"。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
随着大语言模型的普及，流式输出（Streaming）已成为 对话式 AI 应用的标准交互模式：模型逐 Token 生成内容，前端实时增量渲染。此前，我们已面向 Web 端推出了流式友好的 Markdown 渲染器 @ant-design/x-markdown[1]。然而，小程序端缺乏浏览器原生的 HTML 渲染能力，流式 Markdown 渲染会面临格式突变、频繁重解析、性能损耗等问题，我们对现有主流小程序 Markdown 渲染方案进行了研究，发现其在流式场景下存在以下核心局限。
