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。
本文是一份 LLM 微调 AutoResearch 落地实战。作者把过去几个月在电商场景（Query 改写 / 同款判定 / 重排打分）上做 Qwen3 微调时的完整流水线沉淀成一个由 Agent 驱动的三阶段框架：场景诊断 → 方案设计 → 自动化实验，同时把踩过的坑（PyTorch 2.6 vs DeepSpeed、Qwen3 thinking mode 让 BLEU 掉到个位数、多队列 OSS endpoint 差异）一并写成 SKILL.md 交给 Agent 执行。文章适合关注 AI Coding、Agent for ML、LLM 微调工程化的同学阅读。文中提到的部分平台/工具（如星云、TuningFactory、TAO/Pailitao-AutoResearch）为公司内部命名，思路和方法本身与平台无关，读者可类比到 PAI、SageMaker、Slurm 等外部环境。（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。）
