Cloud Agents ist eine vollständig verwaltete KI-Agent-Laufzeitplattform, die von Qoder eingeführt wurde. Entwickler müssen lediglich Agentenlogikcode schreiben, und die Plattform übernimmt automatisch die Bereitstellung, Erweiterung und Kontraktion sowie Überwachung und Protokollierung. Unterstützt die MCP-Tool-Chain-Integration und Multi-Model-Switching-Webhook-Triggerung. Serverlose Architektur, Bezahlung nach tatsächlichen Anrufen.

CloudAgents

Kernparameter und Statistiken von Cloud Agents

Cloud Agents ist zwischen der PaaS-Plattform und dem AI Agent-Framework positioniert – es bietet keine Funktionen zum Erstellen von Agenten (Sie müssen Ihren eigenen Logikcode schreiben) und ist auch nicht nur ein API-Gateway, sondern ein vollständiger Laufzeitausführungskontext. Die folgenden Parameter basieren auf der offiziellen öffentlichen Seite.

Parameter	Amtlich nachweisbare Informationen
Produktpositionierung	Vollständig verwaltete AI Agent-Laufzeitplattform (Managed Agent Runtime)
Architekturform	Serverlos
Tool-Integrationsprotokoll	MCP (Model Context Protocol)
Unterstützte große Modelle	OpenAI (GPT-Serie), Anthropic (Claude-Serie), DeepSeek usw. unterstützen benutzerdefinierte Modellendpunkte
Agentenauslösemethode	REST API, Webhook, geplante Aufgaben (Cron)
Abrechnungsgranularität	Abrechnung nach Anrufvolumen (Anzahl Anrufe + Ausführungszeit)
Entwickler	Qoder (Singularität)
Teamstandort	China
Online-Zeit	2026-05 (v1 öffentliche Version)
Kostenloses Kontingent	Bereitgestellt (spezifisches Kontingent)
Privater Einsatz	Nicht genannte Unterstützung

Ein kurzer Kommentar: Cloud-Agenten sind wie Vercel für Front-End-Anwendungen – Sie pushen den Agent-Code, und er ist für die Ausführung, die Übertragung des Datenverkehrs und die Aufzeichnung von Protokollen verantwortlich. Sie müssen sich keine Sorgen um den Server machen.

Positionierungsunterschied zu Konkurrenzprodukten: Anders als Plattformen wie Coze und Dify, die visuelle Agent-Builder bereitstellen, bieten Cloud Agents keine Orchestrierungsebene, sondern nur eine Laufzeitebene. Dabei spielt es keine Rolle, wie die interne Logik Ihres Agenten organisiert ist, es stellt lediglich sicher, dass der Code zuverlässig und skalierbar in der Cloud ausgeführt werden kann. Dieser Unterschied macht es für fortgeschrittene Entwickler attraktiver, die das Verhalten des Agenten anpassen müssen, aber der Mangel an visuellen Zusammenstellungsfunktionen bedeutet auch, dass es für technisch nicht versierte Benutzer nicht geeignet ist.

Vergleichsabmessungen	Cloud-Agenten	Coze/Dify	AWS Bedrock-Agenten
Kernpositionierung	Agent-Laufzeithosting	Agenten-Build + Hosting	Agent Build + Cloud-Infrastruktur
Müssen Sie Code schreiben	Ja (Code hochladen)	Nein (visuelle Anordnung)	Teilweise (muss konfiguriert werden)
MCP-Integration	Native Unterstützung	Plug-in-Ökologie	Lambda-Anpassung
Abrechnungsmodell	Nach Anrufvolumen	Freemium + Abonnement	Nach Ressource + API-Aufruf
Privater Einsatz	Unveröffentlicht	Unterstützung der Enterprise-Version	Bereitstellung innerhalb der VPC
Schwelle zum Einstieg	Mittel (Kodierung erforderlich)	Niedrig (Drag-and-Drop)	Hoch (AWS-Ökosystem)

Benutzer- und Marktanerkennung von Cloud Agents

Cloud Agents wurde von Qoder ins Leben gerufen und belegt das Segment „Runtime Hosting“ im Bereich AI Agent Infrastructure. Qoder hat eine Reihe von Tools rund um das Agent-Ökosystem auf den Markt gebracht, darunter Qoder CLI, Qoder Rules und Qoderwake, bei denen Cloud Agents die Rolle der Laufzeitausführungsschicht übernehmen.

Marktpositionierung: Der Schwachpunkt, auf den Cloud Agents abzielen, ist die „Bereitstellungslücke des KI-Agenten vom Prototyp bis zur Produktion“. Für Entwickler ist es einfach, den Agenten lokal oder in einem Notebook auszuführen. Um ihn jedoch in einen Produktionsdienst umzuwandeln, der 7×24 Stunden online ist, den Datenverkehr verarbeiten kann und über Überwachung und Alarme verfügt, müssen eine Reihe von Infrastrukturproblemen wie Containerisierung, automatische Erweiterungs- und Kontraktions-API-Strombegrenzung und Protokollerfassung bewältigt werden. Cloud-Agenten abstrahieren diese Ebene in Plattformfunktionen.

Wettbewerbslandschaft: Cloud Agents agiert in einer Rennstrecke, die sich im Zeitraum 2025–2026 rapide verschärft. Im Ausland gibt es die Hosting-Plattform LangGraph Cloud von AutoGPT und die Hosting-Lösungen von CrewAI, in China gibt es Laufzeitmodule für verschiedene Agent-Plattformen. Der Hauptunterschied von Cloud Agents besteht in der Fokussierung auf die „reine Laufzeit“ – es wird kein eigenes Agenten-Framework gebündelt. Entwickler können jedes Framework (LangChain, CrewAI, AutoGen, selbst entwickeltes Framework) zum Schreiben von Agenten verwenden, solange die endgültige Ausgabe aufrufbarer Code ist. Dieser Framework-Agnostizismus ist für Teams wertvoll, die Frameworks migrieren oder mischen müssen.

Kostenvorteile von Cloud-Agenten

Die Kostenstruktur von Cloud Agents basiert auf zwei Motoren: „serverlose Architektur“ und „Pay-per-Call“, wodurch die Verschwendung ungenutzter Ressourcen und Investitionen in Betriebs- und Wartungspersonal vermieden wird.

C-Seite/Einzelentwickler: Die Plattform bietet ein kostenloses Kontingent (der spezifische Wert hängt von der Echtzeitseite der offiziellen Website von cloudagents.ai ab), das für die PoC-Überprüfung einzelner Entwickler und kleine Verkehrsszenarien geeignet ist. Durch die serverlose Architektur zahlen Entwickler nicht für Leerlaufzeiten – dem Agenten werden keine Kosten in Rechnung gestellt, wenn keine Anfragen vorliegen, und bei jedem Anruf wird nur die tatsächliche Ausführungszeit und der API-Verbrauch in Rechnung gestellt. Für persönliche Projekte in der Prototypenüberprüfungsphase ist dieses Abrechnungsmodell wirtschaftlicher als VPS- oder Containerlösungen mit fester monatlicher Gebühr – für einen leichtgewichtigen Agenten, der Dutzende Male am Tag ausgelöst wird, kann die monatliche Gebühr auf einige Dutzend Yuan begrenzt werden.

API/Entwickler-Aufruf: Cloud Agents erhebt keine feste monatliche Plattformgebühr, Entwickler zahlen nur für die folgenden Dimensionen:

• Anzahl der Anrufe: Anzahl der vom Agenten jedes Mal ausgeführten Anfragen
• Ausführungszeit: Die Laufzeit des Agentencodes vom Start bis zur Rückgabe der Ergebnisse
• LLM-API-Gebühr: Token-Verbrauch, der durch Agenten generiert wird, die große Modelle von Drittanbietern aufrufen (muss von Ihnen selbst getragen werden)

Darüber hinaus müssen auch die ausgehenden Bandbreiten- und Speicherkosten der Cloud-Plattform selbst in größerem Umfang in das Kostenmodell einbezogen werden.

Unternehmens-/Privatbereitstellung: Preise auf Unternehmensebene werden nicht bekannt gegeben. Für den Einsatz in großem Maßstab ist eine Kontaktaufnahme mit dem Unternehmen erforderlich, um maßgeschneiderte Lösungen zu erhalten. Unternehmen müssen bei der Bewertung die folgenden versteckten Kosten umfassend berücksichtigen: Datenresidenz und Compliance (ob Daten über die Cloud Agents-Plattform weitergeleitet werden), SLA-Level (die Auswirkungen von Plattformausfallzeiten auf das Unternehmen) und die Kosten des Migrationspfads von Cloud Agents zum Selbsthosting (ob der Code eng mit der Plattform-API verknüpft ist).

Dreistufiger Kostenvergleich:

Kostendimension	Einzelentwickler	API-Aufrufer	Unternehmensebene
Festpreis	0 (innerhalb der freien Grenze)	0	Geschäftsbestätigung erforderlich
Pay-as-you-go-Gebühr	Pay-as-you-go-Gebühr nach Erschöpfung des kostenlosen Kontingents	Anzahl der Aufrufe + Ausführungszeit	Mengenrabatte möglich
Versteckte Kosten	Lernkurve	Frequenzkontrolle und Latenz	Daten-Compliance-SLA, Migrationskosten
Geeignete Bühne	Prototyp / PoC	Leichte Produktionsbereitstellung	Großflächig/Compliance-sensibel

Hauptfunktionen von Cloud Agents

Das funktionale Design von Cloud Agents dreht sich um das Kernziel, „Agentencode zuverlässig in der Cloud laufen zu lassen“. Es umfasst nicht die Agent-Konstruktionsschicht, stellt jedoch die zur Laufzeit erforderlichen Unterstützungsfunktionen bereit.

• Vollständig verwaltete Agent-Laufzeit: Entwickler laden Agent-Code (unterstützt Python, TypeScript und andere Sprachen) über CLI oder API hoch und die Plattform führt automatisch die Containerisierungskapselung, Ressourcenzuweisung, elastische Skalierung und Lastverteilung durch. Versteckte Verknüpfung: Erkennt die Abhängigkeitsdeklaration des Agenten (z. B. „requirements.txt“) automatisch zur Laufzeit und installiert Abhängigkeiten in der Sandbox-Umgebung vor, sodass Entwickler keine Images manuell erstellen müssen. Dieses „Code-as-Deployment“-Erlebnis verkürzt die Zeit vom Codieren bis zur Live-Schaltung von Stunden auf Minuten.

• Integration der MCP-Toolkette: Native Unterstützung für das MCP-Protokoll, die es dem Agenten ermöglicht, externe Tools über den MCP-Server aufzurufen – Browsersteuerung, Dateisystemoperationen, Datenbankabfrage-API-Aufrufe usw. Expertenansicht: Die Integrationsmethode von MCP ist die bemerkenswerteste Synergie von Cloud Agents – im Agentencode müssen Sie nur den Toolaufruf gemäß dem MCP-Standard deklarieren, und die Plattform leitet automatisch an den entsprechenden MCP-Server weiter, wodurch die transparente Konvertierung von „In-Prozess-Toolaufruf des Agenten“ zu „Remote-MCP-Dienst“ abgeschlossen wird Ausführung“. Dies bedeutet, dass sich Agent-Entwickler nicht um die Bereitstellung und den Betrieb des MCP-Servers kümmern müssen, sondern sich nur auf die Semantik der Tool-Schnittstelle konzentrieren müssen.

• Multi-Modell-Routing und Fallback: Konfigurieren Sie mehrere LLM-Endpunkte im selben Agenten, um Routing-Anfragen nach Priorität oder Gewichtung zu unterstützen. Automatisches Downgrade auf ein alternatives Modell, wenn das bevorzugte Modell einen Fehler oder eine Zeitüberschreitung zurückgibt. Implementierungstipps: Im Rahmen der Hybridmodell-Strategie können komplexe Inferenzaufgaben an DeepSeek oder Claude weitergeleitet werden, und die einfache Textgenerierung kann an günstigere Modelle weitergeleitet werden, um die Token-Kosten zu optimieren und gleichzeitig die Ausgabequalität beizubehalten. Die Konfiguration der Modellumschaltung gehört zur Plattformschicht, und der Agentencode selbst muss nicht geändert werden.

• Integrierte Überwachung und Beobachtbarkeit: Bietet ein Anrufüberwachungsfeld zur Anzeige von Verzögerungsverteilung, Erfolgsrate, Fehlercodeverteilung und Token-Verbrauchstrends in Echtzeit. Unterstützt den strukturierten Protokollabruf und benutzerdefinierte Alarmregeln (z. B. die Benachrichtigung von Webhook, wenn die Fehlerrate den Schwellenwert überschreitet). Akzeptanzbedenken: Die Überwachung von Latenzdaten ist für die Fehlerbehebung bei Agent-Leistungsengpässen von entscheidender Bedeutung. Wenn die P95-Latenz des Agenten viel höher als P50 ist, weist dies normalerweise darauf hin, dass es im Code sporadisch zu Zeitüberschreitungen bei externen Abhängigkeiten kommt und eine Wiederholungs- oder Zeitüberschreitungssteuerungslogik hinzugefügt werden muss.

• Webhook und ereignisgesteuert: Unterstützt drei Agentenaufrufmodi: HTTP-API (synchrone Anforderung-Antwort), Webhook (asynchrone Ereignisauslösung) und geplante Cron-Aufgaben (periodische Ausführung). Szenariobeispiel: Ein „Daily Public Opinion Summary Agent“ kann so konfiguriert werden, dass er jeden Morgen um 9:00 Uhr über Cron ausgelöst wird, den neuesten Inhalt aus der angegebenen Quelle abruft, LLM zur Zusammenfassung aufruft und ihn über Webhook an DingTalk oder Feishu weiterleitet.

• Versionsverwaltung und Graustufenfreigabe: Jede hochgeladene Version des Agentencodes wird als Snapshot gespeichert und unterstützt Rollback und Graustufenfreigabe (Anteils- oder bedingte Weiterleitung des Datenverkehrs an die neue Version). Implementierungstipps: Die Graustufenveröffentlichung ist eine notwendige Funktion in Produktionsszenarien – die neue Agentenlogik kann unter bestimmten Eingaben zu einer abnormalen Ausgabe führen, und der Graustufenmechanismus kann den Auswirkungsbereich innerhalb eines akzeptablen Verhältnisses steuern.

Modell- und Versionsentwicklung von Cloud Agents

Die Versionsentwicklung von Cloud Agents spiegelt Qoders Weg von der „Validierung der Agentenlaufzeit-Machbarkeit“ zum „Aufbau einer Hosting-Plattform in Produktionsqualität“ wider.

Interner Prototyp und interne Tests (2025-12 bis 2026-03)

• Cloud Agents Alpha (~2025-12): Interne Prototypenphase. Das Hauptziel besteht darin, die architektonische Machbarkeit der serverlosen Agentenlaufzeit zu überprüfen – ob der Container-Start des Agentencodes in Sekunden abgeschlossen werden kann und ob er Burst-Verkehr verarbeiten kann. Derzeit sind keine öffentlichen Informationen verfügbar.
• Cloud Agents Beta (~2026-03): Angeleitete interne Betaversion, die einige Entwickler zum Ausprobieren einlädt. Unterstützt die grundlegende Bereitstellung, Ausführung und Protokollanzeige von Agent-Code und ist an die eigenen LLM-Routing-Funktionen von Qoder gebunden. Das private Beta-Feedback konzentrierte sich auf die MCP-Tool-Integration und die Abrechnungstransparenz.

Öffentliche Version (2026–05 bis heute)

• Cloud Agents v1 (~2026-05): Die erste öffentliche Version und die neueste stabile Version. Zu den Kernkompetenzen gehören:
  • Native Integration des MCP-Protokolls, Unterstützung für die Bereitstellung eines externen MCP-Servers -Mehrere Modellwechsel und Fallback
  • REST API / Webhook / Cron drei Auslösemethoden
  • Überwachungspanel (Verzögerung, Erfolgsraten-Token)
  • Versionsverwaltung und Graustufenfreigabe
  • CLI-Toolchain („cldploy“, „cld logs“, „cld invoke“)

Hinweis zur Versionsentwicklung: Der Versionsrhythmus von Cloud Agents ist mit dem Qoder-Ökosystem synchronisiert. Da das Produkt relativ neu ist und es nur begrenzte Informationen zu historischen Versionen gibt, handelt es sich bei den oben genannten internen Versionsdaten um Schätzungen von Projektmeilensteinen, und es gibt noch kein offizielles genaues Datum. Nachfolgende Versionen werden voraussichtlich Unterstützung für private Netzwerke, eine detailliertere Berechtigungsverwaltung und die Integration mit Enterprise Identity Providers (IdPs) bieten.

Technische Vorteile von Cloud Agents

Bestimmung des Tooltyps: Cloud Agents gehören zu Agent / MCP / Automation Tools – einer vollständig verwalteten KI-Agent-Laufzeitplattform, die keine Agentenerstellungsfunktionen bietet und sich auf die Bereitstellung, Orchestrierung und Beobachtbarkeit der Ausführungsebene konzentriert.

Architektur-Link

Cloud-Agenten befinden sich im gesamten Agent-Workflow in der Position „Ausführungsschicht“, sind mit dem Agent-Code verbunden und mit der LLM-API und externen Tools verbunden:

„ Entwickler (CLI/API) │ ▼ ┌────────────────────────────────────┐ │ Cloud Agents Runtime │ │ │ │ ┌─────────┐ ┌───────────────┐ │ │ │ Sandbox-Container │ │ Modell-Routing-Engine │ │ │ │ (Agent) │──│ (LLM-Router) │ │ │ └────┬────┘ └───────┬───────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌─────────┐ ┌───────────────┐ │ │ │ MCP-Agent │ │ Überwachung und Protokollierung │ │ │ └────┬────┘ └───────────────┘ │ └────────┼─────────── ────────────────────┘ │ ▼ ┌────────────────┐ ┌──────────────────┐ │ LLM-API eines Drittanbieters │ │ MCP-Server │ │ (OpenAI, Claude│ │ (Browser/DB/Datei) │ │ DeepSeek usw.) │ │ │ └─────────────────┘ └───────────────────┘ „

Kontrollfluss: CLI/API übermittelt den Agent-Code → die Plattform erstellt einen Sandbox-Container → der Agent führt aus und initiiert eine Rückschlussanforderung an das LLM → der Agent ruft das MCP-Tool auf → die Ergebnisse werden an die Plattform zurückgegeben → Protokoll/Überwachungs-Postback.

Datenrückfluss: Die Ausführungsergebnisse des MCP-Servers werden an den Agentenkontext zurückgeleitet. Der Agent entscheidet über die nächste Aktion oder generiert die endgültige Antwort basierend auf dem neuen Kontext. Die Antwort wird über die Plattform an den Anrufer weitergeleitet.

Liste der geöffneten Werkzeuge

Cloud-Agenten selbst stellen die Tools zur Browsersteuerung oder zum Systembetrieb nicht direkt zur Verfügung, sondern werden über den MCP-Server implementiert. Zu den Kernfunktionsschnittstellen (Tools), die Agent von der Plattform bereitgestellt werden, gehören:

• „mcp_tool_call(tool_name, args)“: Rufen Sie das registrierte MCP-Server-Tool auf
• „llm_chat(model, messages, params)“: Initiieren Sie eine Konversationsanfrage an das angegebene LLM
• „store_get(key)“ / „store_set(key, value)“: KV-Speicher auf Agentenebene (Persistenz über Anrufe hinweg)
• „log_info(msg)“ / „log_error(msg)“: strukturiertes Protokollschreiben
• „http_request(url, method, headers, body)“: HTTP-Anfrage (für benutzerdefinierte Integration)

Das obige Tool wird Entwicklern über das Agent Runtime SDK (Python/TS-Bibliothek) zugänglich gemacht und kann direkt im Agent-Code aufgerufen werden. Entwickler können MCP Server auch anpassen, um die Tool-Liste zu erweitern.

Leitfaden für technische Fallstricke

Basierend auf den Merkmalen der Agent-Laufzeitplattform sind die folgenden häufigen technischen Probleme und Reaktionsstrategien in Produktionsumgebungen:

1. Endlosschleifen und unendlicher Token-Verbrauch: Agenten geraten bei komplexen Aufgaben möglicherweise in eine Endlosschleife aus „Denken → Tools aufrufen → Ergebnisse erzielen → Weiterdenken“, was zu außer Kontrolle geratenen Ausführungszeiten und explodierenden Token-Kosten führt. Lösung: Legen Sie „max_steps“ (maximale Werkzeugaufrufrunden) und ein globales Timeout (z. B. „timeout=120s“) im Agentencode fest. Die Plattformseite sollte außerdem die maximale Ausführungszeit eines einzelnen Aufrufs und die Obergrenze des Tokens in der Laufzeitschicht konfigurieren. Es wird empfohlen, die Obergrenze der Schritte des Agenten innerhalb von 10–20 Runden zu kontrollieren. Bei Überschreitung wird das aktuelle Zwischenergebnis zwangsweise zurückgegeben.

2. MCP-Tool-Ausnahmen und Kontextverschmutzung: Wenn der MCP-Server abnormale Daten zurückgibt (z. B. Zeitüberschreitung, Formatfehler, Sicherheitsabfang), kann der abnormale Inhalt vom Agenten in den Argumentationskontext aufgenommen werden, was dazu führt, dass die nachfolgende Argumentation vom erwarteten Pfad abweicht. Lösung: Erstellen Sie eine strukturierte Kapselung des Tool-Rückgabewerts auf der MCP-Agentenebene – fügen Sie die Ausnahmeinformationen in ein separates Feld ein (z. B. „Status: „Fehler““, „Fehlertyp: „Timeout““), um zu verhindern, dass der Ausnahmeinhalt in Form normaler Daten in die Argumentationskette des Agenten gelangt. Der Agentencode sollte die Ergebnisgültigkeit nach jedem Toolaufruf überprüfen und nicht davon ausgehen, dass der Aufruf erfolgreich sein muss.

3. Token-Abrechnungsunterschied für Multi-Modell-Wechsel: Nachdem Multi-Modell-Fallback im Agent konfiguriert wurde, kann der Unterschied in den Eingabe- und Ausgabe-Token-Preisen verschiedener Modelle um mehr als das Zehnfache variieren. Wenn der Fallback-Link nicht richtig konzipiert ist (z. B. werden Anfragen mit hoher Frequenz kontinuierlich an Modelle mit hohen Kosten weitergeleitet), können die monatlichen Gebühren die Erwartungen übersteigen. Lösung: Legen Sie Prioritäts- und Bedingungsregeln in der Modell-Routing-Strategie fest (z. B. „Niedrigpreisige Modelle werden für einfache Fragen und Antworten bevorzugt und greifen bei komplexen Überlegungen auf hochpreisige Modelle zurück“) und verfolgen Sie die Token-Verbrauchsverteilung nach Modelldimensionen im Überwachungsbereich, um abnormale Routing-Muster rechtzeitig zu erkennen.

Schneller Einstieg in 3 Minuten

Das Folgende ist ein typischer Cloud Agents-Agent-Bereitstellungsprozess (am Beispiel von Python):

Schritt 1: CLI installieren

„Bash npm install -g @qoder/cloud-agents-cli

Oder verwenden Sie die Python-Version

pip installiert cloud-agents-cli „

Schritt 2: Agentencode schreiben

„Python

agent.py

from cloud_agents import Agent, Tool

Klasse MyAgent(Agent): def run(self, input_text: str) -> str:

Rufen Sie LLM an

    Antwort = self.llm.chat(
        model="deepseek-chat",
        message=[{"role": "user", "content": input_text}],
        Temperatur=0,7
    )
    # MCP-Tool aufrufen
    Weather = self.mcp.call("weather-server", {
        „Stadt“: „Peking“
    })
    return f"{response} | Wetter: {weather}"

„

Schritt 3: Bereitstellen

„Bash cld login # Anmelden (erfordert die Registrierung eines cloudagents.ai-Kontos) cldploy agent.py --name my-agent cld invoke my-agent --input „Ist es heute eine gute Zeit, in Peking auszugehen?“ „

Schritt 4: Protokolle anzeigen

„Bash cld protokolliert my-agent --tail „

Konfiguration zum Mounten des MCP-Servers (deklariert in „cloudagents.yaml“):

„yaml Agenten: mein-agent: Quelle: ./agent.py Laufzeit: Python3.11 mcp_servers:

• Name: Wetterserver Transport: stdio Befehl: npx @qoder/mcp-weather
• Name: Browser-Server Transport:sse URL: https://browser-mcp.example.com/sse Modelle: Primär: Deepseek-Chat Fallback: Claude-3-5-Sonett Zeitüberschreitung: 60 max_steps: 15 „

Die obige Konfiguration und der Code basieren auf der öffentlichen Dokumentation von Cloud Agents und dem CLI-Verhalten. Spezifische Befehle und Parameter finden Sie in der offiziellen Dokumentation von cloudagents.ai.

So verwenden Sie Cloud Agents

Cloud Agents bietet drei Möglichkeiten zur Interaktion mit der Plattform: CLI, Web-Management-Konsole und REST-API und deckt unterschiedliche Anforderungen von der persönlichen Entwicklung bis zur automatisierten Integration ab.

So verwenden Sie	Anwendbare Szenarien	Kernkompetenzen
CLI (cld-Befehlszeile)	Entwickler verwalten Agent lokal	Bereitstellung, Aufruf, Protokollanzeige, Versionsverwaltung
Web-Management-Konsole	Visuelle Verwaltung und Überwachung von Agenten	Anrufpanel, Protokollabruf, Alarmkonfiguration
REST-API	CI/CD-Integration und automatisierte Planung	Agentenbereitstellung, Auslösung, Statusabfrage

Typischer Workflow für Entwickler:

1. Schreiben und testen Sie den Agentencode lokal über die CLI
2. Verwenden Sie „cldploy“, um den Code an die Cloud Agents-Laufzeit zu übertragen
3. Überprüfen Sie das Verhalten des Produktionskontexts durch „cld invoke“.
4. Konfigurieren Sie den Webhook- oder Cron-Trigger, damit der Agent automatisch ausgeführt wird
5. Sehen Sie sich Überwachungsdaten an und rufen Sie Protokolle über die Webverwaltungskonsole ab

API-Integration: Cloud Agents stellen eine RESTful-API bereit, die die Bereitstellung und den Aufruf von Agents über HTTP-Anfragen unterstützt. Der API-Endpunkt verwendet „https://api.cloudagents.ai/v1/“ als Basispfad und verwendet den API-Schlüssel zur Authentifizierung. Die spezifische Endpunktliste und Parameter unterliegen offiziellen Dokumenten.

Produktpreise für Cloud-Agenten

Cloud Agents nutzt ein Pay-per-Use-Modell und erhebt keine feste monatliche Plattformgebühr. Die Preisstruktur ist relativ einfach, es sind jedoch Einzelheiten erforderlich.

Kostenloses Kontingent: Die Plattform stellt neuen Benutzern ein kostenloses Anrufkontingent zur Verfügung (einschließlich einer bestimmten Anzahl kostenloser Anrufe und Ausführungszeit). Der konkrete Wert wird in öffentlichen Kanälen nicht klar bekannt gegeben. Sie müssen es nach der Registrierung überprüfen oder sich die neueste Ankündigung auf der offiziellen Website ansehen.

Pay-as-you-go: Nach Überschreiten des kostenlosen Kontingents erfolgt die Abrechnung nach folgenden Dimensionen:

• Anzahl der Anrufe: Jede Agentenausführung wird als ein Anruf gezählt
• Ausführungszeit: Die Abrechnung basiert auf der tatsächlichen Laufzeit (Sekunden) des Agentencodes
• Zusätzliche Ressourcen: Wenn Sie einen Sandbox-Container mit höheren Spezifikationen (Speicher/CPU) beantragen, erhöht sich der Preis entsprechend dem Spezifikationsverlauf.

Implizite Kostenstruktur:

• LLM-API-Gebühren sind nicht in der Cloud-Agents-Rechnung enthalten: Der Token-Verbrauch, der durch den Agenten entsteht, der große Modelle von Drittanbietern aufruft, wird vom Entwickler getragen. Diese Kosten sind in der Regel viel höher als die Anrufgebühr der Plattform selbst. Die monatliche LLM-API-Gebühr für einen Hochfrequenzagenten kann das 5- bis 10-fache der Plattformgebühr betragen.
• Ausgehende Bandbreite: Wenn der Agent häufig große Dateien herunterlädt oder große Datenmengen überträgt, können die Kosten für die ausgehende Bandbreite der Cloud-Plattform nicht ignoriert werden.

Unternehmenspreise: Nicht bekannt gegeben. Bei umfangreichen oder hochfrequenten Anrufszenarien müssen Sie sich an das Unternehmen wenden, um maßgeschneiderte Lösungen zu erhalten. Es wird empfohlen, vor dem Kauf die folgenden Bedingungen zu bestätigen: Mengenrabatt-Gradienten-SLA-Verfügbarkeitsverpflichtung, Datenspeicherungszeitraum und Kompatibilitätsgarantie für Plattformversionsaktualisierungen für vorhandene Agenten.

Anwendungsszenarien von Cloud Agents

Der Kernwert von Cloud Agents besteht darin, „Agenten schnell online gehen und stabil laufen zu lassen“. Die folgenden vier Szenarien wurden von Erstbenutzern überprüft:

• Link zur automatisierten Inhaltsproduktion: Konfigurieren Sie einen Agenten, der „crawlt → zusammenfasst → verteilt“ und ihn regelmäßig über Cron auslöst. Der Agent ruft die neuesten Artikel von RSS/API ab, ruft LLM auf, um chinesische Zusammenfassungen und wichtige Schlussfolgerungen zu generieren, und überträgt sie über Webhook an Feishu/DingTalk oder das CMS-System. Implementierungstipp: In diesem Szenario muss die Stabilität des Agenten höher sein als die Reaktionsgeschwindigkeit. Auch wenn eine einzelne Ausführung 1-2 Minuten dauert, ist dies akzeptabel, sie muss jedoch jeden Tag pünktlich ausgeführt werden, ohne dass irgendwelche Negative übersehen werden. Die Cron-Trigger und Fehlerwiederholungsmechanismen von Cloud Agents werden natürlich angepasst.

• Intelligente Klassifizierung und Beantwortung von Kundendienst-Arbeitsaufträgen: Verbinden Sie das Kundendienstsystem des Unternehmens über Webhook mit Cloud Agents. Immer wenn ein neuer Arbeitsauftrag erstellt wird, liest der Agent automatisch den Inhalt des Arbeitsauftrags, ruft LLM an, um ihn zu klassifizieren (Beschwerde/Beratung/Kundendienst) und einen Antwortentwurf zu erstellen. Implementierungstipps: Es wird empfohlen, Human-in-the-Loop für wichtige Arbeitsaufträge einzurichten – die vom Agenten generierten Antworten werden vor der Ausgabe zur manuellen Überprüfung gesendet und automatische Antworten werden nur bei Arbeitsaufträgen mit geringem Risiko aktiviert. Die Versionsverwaltungsfunktionen von Cloud Agents sind in diesem Szenario besonders nützlich – wenn eine bestimmte Version unangemessene Antworten generiert, können Sie in Sekundenschnelle zur vorherigen Version zurückkehren.

• Datenberichterstattung und Überwachungsinspektion: Der Agent fragt regelmäßig die Datenbank oder API ab, um Geschäftsindikatoren zu erhalten, ruft LLM auf, um Datenanomalien und -trends zu analysieren, und erstellt strukturierte Berichte. Implementierungstipp: Das Risiko einer Illusion, wenn der Agent Daten analysiert, muss beachtet werden – es wird empfohlen, in der Eingabeaufforderung klar zu fordern, dass „die Analyse nur auf den bereitgestellten Daten basiert und nicht die nicht bereitgestellten Hypotheseninformationen ergänzt“, und die Datenquelle und den Termin in der Ausgabe zu kennzeichnen.

• Persönlicher Effizienzassistent (geplante Erinnerung + Informationsaggregation): Konfigurieren Sie mehrere leichtgewichtige Agenten, von denen jeder für eine feste Aufgabe verantwortlich ist – tägliche Nachrichtenzusammenfassung, Erinnerung an Bestandsänderungen und automatische Erstellung wöchentlicher Berichte. Einzelne Entwickler können diese Agenten im Rahmen des kostenlosen Kontingents nahezu zum Nulltarif ausführen. Implementierungstipps: Mehrere Agenten können denselben MCP-Server gemeinsam nutzen (z. B. Wetterabfrage, News-Crawling), um die Bereitstellung einer separaten Toolkette für jeden Agenten zu vermeiden.

Anwendbare Gruppen von Cloud Agents

Cloud Agents hat eine klare Positionierung – es richtet sich an Entwickler, die „Code schreiben können und sich nicht um Betrieb und Wartung kümmern wollen“. Es wird technisch nicht versierten Benutzern nicht empfohlen, es direkt zu verwenden, da die Funktionen zur Agentenerstellung fehlen.

• KI-Anwendungsentwickler und unabhängige Entwickler: Dies ist die Kernbenutzergruppe der Cloud Agents. Wenn Sie bereits wissen, wie man Agenten mit LangChain, CrewAI schreibt oder die LLM-API direkt aufruft, es aber satt haben, für jede Bereitstellung Dockerfile schreiben, Nginx und Prometheus konfigurieren zu müssen, können Cloud Agents diese Details direkt überspringen. Voraussetzung: Sie müssen über Python- oder TypeScript-Programmierfähigkeiten verfügen und die Grundkonzepte des MCP-Protokolls verstehen. Nicht für Grenzen geeignet: Wenn Sie Agenten visuell per Drag-and-Drop erstellen oder die Bereitstellung ohne Code abschließen müssen, sind Cloud Agents nicht das richtige Tool.

• Entrepreneurship-Team (2–10 Personen): Während der Produkt- und Marktvalidierungsphasen verfügt das Team normalerweise nicht über einen dedizierten KI-Infrastrukturingenieur. Mit Cloud-Agenten können Full-Stack-Ingenieure den gesamten Agent-Prozess vom Prototyp bis zur Online-Bereitstellung innerhalb weniger Stunden abschließen, ohne auf DevOps-Ressourcen warten zu müssen. Implementierungstipp: Es wird empfohlen, das kostenlose Kontingent für die Ausführung von PoC in der frühen Phase des Projekts zu verwenden und dann zu entscheiden, ob der kostenpflichtige Plan eingegeben werden soll, nachdem der Geschäftswert des Agenten überprüft wurde. Der Weg des Teams zur Migration von Cloud Agents zu einer selbst gehosteten Lösung muss im Voraus evaluiert werden – wenn der Agentencode stark auf den KV Store und die MCP-Routing-Funktionen von Cloud Agents angewiesen ist, müssen diese Anpassungsebenen während der Migration neu geschrieben werden.

• Unternehmens-KI-Team (interne Tool-Standardisierung): Kapseln Sie häufig verwendete KI-Tools im Unternehmen (z. B. Vertragsüberprüfungsassistent, Codeüberprüfungsagent, Datenabfrageassistent) in Standardagenten und stellen Sie sie einheitlich über Cloud-Agenten bereit und verwalten Sie sie. Voraussetzung: Das Unternehmen muss bestätigen, ob die Datenverarbeitungsverbindung von Cloud Agents den Compliance-Anforderungen entspricht (ob die Daten die Netzwerkgrenze des Unternehmens verlassen). Nicht für Grenzen geeignet: Für Finanzen, Regierungsangelegenheiten und vertrauliche Branchen, die eine vollständige Offline-Bereitstellung erfordern und Daten nicht über Plattformen von Drittanbietern geleitet werden dürfen, erfüllt das Cloud-Hosting-Modell von Cloud Agents möglicherweise nicht die Compliance-Anforderungen. In solchen Szenarien muss auf privatisierte Bereitstellungslösungen gewartet oder Alternativen gefunden werden.

• Nicht für Personen geeignet: Cloud Agents werden für die folgenden Gruppen nicht empfohlen: technisch nicht versierte Benutzer, die einen visuellen Agent Builder benötigen; Echtzeit-Interaktionsszenarien mit strengen Anforderungen an die Antwortlatenz von weniger als einer Sekunde (z. B. Online-Kundendienstroboter, Sprachkonversationsagenten); KI-Inferenzdienste, die einen stark angepassten Laufzeitkontext erfordern (z. B. bestimmte GPU-Treiber, dedizierte Hardwarebeschleunigung); und Unternehmen, die strenge Anforderungen an die Datensouveränität haben und privat eingesetzt werden müssen.

Zusammenfassung und Ausblick von Cloud Agents

Cloud Agents hat eine gezielte und zurückhaltende Entscheidung für das Segment „Bereitstellung und Betrieb von KI-Agenten“ getroffen, das von den meisten Plattformen als zusätzliche Funktionen und nicht als Kernprodukte angesehen wird: nicht um einen Agent-Builder zu erstellen, sondern nur um die Laufzeitschicht aufzubauen. Diese „Weniger ist mehr“-Strategie ist für Entwickler mit klaren Bedürfnissen und starken technischen Fähigkeiten äußerst attraktiv – sie benötigen keine weitere Low-Code-Plattform, sondern eine zuverlässige, flexible, betriebs- und wartungsfreie Agentenausführungsumgebung.

Kerne Wettbewerbsvorteile: Die serverlose Architektur bietet keine Leerlaufkosten, native Integration des MCP-Protokolls (anstelle von Plug-in-Erweiterungen), Framework-Unabhängigkeit (keine Sperrung eines Agent-Entwicklungs-Frameworks) sowie vollständige Versionsverwaltungs- und Graustufen-Veröffentlichungsfunktionen. Zum Zeitpunkt des Jahres 2026 ist Cloud Agents eine der wenigen reinen Agent-Runtime-Hosting-Plattformen auf dem heimischen Markt.

Aktuelle große Einschränkungen: Das Produkt befindet sich noch im v1-Stadium und die ökologische Reife ist begrenzt – die Anzahl der verfügbaren MCP-Server und die offiziell gepflegte Tool-Bibliothek befinden sich noch im Aufbau; Funktionen auf Unternehmensebene (Ausführung innerhalb der privaten Netzwerk-VPC, feinkörniges RBAC, Prüfprotokolle) werden noch nicht öffentlich unterstützt; Die Preistransparenz ist unzureichend und Kostenschätzungen vor größeren Anrufen erfordern die Kontaktaufnahme mit dem Unternehmen. Es mangelt an reibungslosen Migrationspfaden zwischen der Plattform und dem Selbsthosting, und die Kopplung zwischen dem Code und der Plattform-API stellt ein potenzielles Lock-in-Risiko dar.

Folgebeobachtungspunkte: Ob nachfolgende Versionen von Cloud Agents privatisierte Bereitstellungslösungen auf Unternehmensebene einführen werden (dies ist der Schlüssel zur Öffnung der Finanz- und Regierungsmärkte); die Geschwindigkeit der Anreicherung des MCP-Ökosystems – wenn die Plattform eine Reihe hochwertiger Erstanbieter-MCP-Server voreinstellen kann, werden die Integrationskosten für neue Benutzer erheblich reduziert; und Integration mit Mainstream-Agenten. Die offizielle Integrationstiefe von Frameworks (LangChain, CrewAI, AutoGen) – sie ist derzeit „Framework-unabhängig“, „erfordert jedoch, dass Entwickler sich selbst anpassen“. Die offizielle Anpassungsvorlage wird die Hürde für den Einstieg deutlich senken.

Beschaffungs- und Einführungsrisikobewertung: Für einzelne Entwickler und Unternehmerteams reduzieren die kostenlose Quote und das Pay-as-you-go-Abrechnungsmodell von Cloud Agents die Kosten für Versuch und Irrtum auf ein sehr niedriges Niveau, was einer PoC-Verifizierung im nächsten Agent-Projekt würdig ist. Für mittlere und große Unternehmen wird empfohlen, es in unkritischen Prozessszenarien zu testen (interne Wissensfragen und -antworten, Unterstützung bei der Berichterstellung, Entwicklungs-Toolketten-Agent), die Stabilität, Verzögerung und das Kostenmodell zu bewerten und dann zu entscheiden, ob eine Erweiterung auf Quasi-Produktions- oder kundenorientierte Szenarien erfolgen soll. Vor der Unterzeichnung eines Beschaffungsvertrags müssen die Bedingungen mit dem kommerziellen Team von Cloud Agents überprüft werden, darunter: SLA-Verfügbarkeitsverpflichtungen für den geografischen Standort für die Datenspeicherung und -verarbeitung (insbesondere P999-Level-Garantien), Abwärtskompatibilitätsrichtlinien für Plattformversionsaktualisierungen und Machbarkeitspläne für Datenexport und Plattformmigration. Für Branchen mit der Souveränität sensibler Daten wird empfohlen, Cloud Agents nur für die Handhabung nicht sensibler Datenszenarien zu verwenden, bevor die privatisierte Bereitstellungslösung implementiert wird.

Verwandte Tools: crewai, langchain

Versionsinfo

• Cloud Agents v1 ：Die erste öffentliche Version unterstützt die MCP-Toolkette, die Multi-Model-Switching-Webhook-Triggerung und das Überwachungspanel. （~2026-05）
• Cloud Agents-Beta ：Interne Betaversion, grundlegende Agent-Laufzeit- und Bereitstellungsfunktionen. （~2026-03）
• Cloud Agents Alpha ：Interne Prototypenphase zur Überprüfung der Machbarkeit der serverlosen Agenten-Laufzeitarchitektur. Einen offiziellen genauen Termin gibt es noch nicht. （~2025-12）