企业官网建设流程全解析

近日，INSPIRE 2026 华为云创想者大会在上海举行。作为聚焦 AI 基础设施、行业落地与开发者生态的重要科技活动，本届大会吸引了众多云计算、人工智能与产业应用领域的企业和开发者参与。Mind Lab Research Scientist、Algo 负责人刘启涵受邀在大会开放麦环节进行分享，围绕“让 AI Agent 从真实经验中学习”这一主题，介绍了 Mind Lab 在个性化 Agent 背后的强化学习基础设施探索。

在分享中，刘启涵首先介绍了 Mind Lab 旗下个人 AI Agent 产品 Macaron。与传统强调办公提效的 AI Agent 不同，Macaron 的定位更接近日常生活中的个人 Agent：它并不是简单帮助用户“把活干完”，而是希望通过深度记忆、个性化理解和即时生成 mini-app 的能力，帮助用户更好地管理生活、规划行动并持续成长。

但真正的个性化并不止于一次问答或一套固定模板。对于个人 Agent 来说，难点在于如何让模型持续吸收每个用户的真实反馈与使用经验，并在成本可控的前提下形成差异化能力。为此，Mind Lab 提出了 MinT：一套面向真实任务、真实反馈和真实产品约束的强化学习基础设施。


据介绍，MinT 重点解决的是大模型后训练中的工程复杂度问题，包括算力调度、分布式 rollout、训练编排、模型状态管理等环节。团队可以在该平台上定义训练模型、数据集、Loss、LoRA 方式和评估指标，由 MinT 自动完成底层编排，从而更快建立“使用—反馈—训练—评估”的学习闭环。

在模型覆盖方面，MinT 已支持 Qwen、DeepSeek、Kimi、GLM、MiniMax、VLA 等多个模型家族，最高可支持 1T 参数规模。同时，平台强调 LoRA RL 路线，通过“一个 base 模型 + 每个用户一份 LoRA 差异”的方式，让大规模个性化成为可能。


从现场披露的案例看，MinT 已在医疗编码 QC、个性化 Agent、智能客服、政务服务等场景中验证价值。例如在个性化 Agent 场景中，用户已自建 34 万个 mini-app；在智能客服场景中，客户满意度提升 34%，合规准确率从 89% 提升至 99.2%。


随着 AI Agent 从“工具执行”走向“长期陪伴与持续学习”，后训练基础设施正成为决定产品体验的关键底座。Mind Lab 此次在华为云创想者大会的分享，也进一步释放出一个信号：下一阶段的 AI Agent 竞争，不只是谁的模型更强，而是谁能让模型更稳定、更低成本地从真实世界中学习。