list fix

Author: binary-husky

docs/en/swarm_intro.md

@@ -8,13 +8,15 @@
 
 在过去的2025年，我们见证了大语言模型Agent的飞速发展，
 而随着LLM智能体以及配套工具和运行时越来越复杂，无论是agent开发者还是前沿llm强化学习研究者都会遇到各种苦恼问题：
+
 - 还没来得及庆祝Agent训练效果初见成色，结果某个外部API余额意外耗尽导致训练中止；
 - 只是简单地修改了一下奖励，却需要等待训练重启等到地老天荒，而且上个检查点（checkpoint）后未保存的进度都丢失了；
 - 某Agent需要docker作为运行时，但因权限不足，无权启动其他容器，只能花大量时间修改Agent源码寻找workaround；
 - MCP工具故障（浏览器MCP工具被封IP地址，数据库MCP工具因意外硬盘爆满故障）；
 - 远程连接服务器调试Agent很不方便，如果能在自己的笔记本电脑上运行 Agent 直接参与（全参）Agent RL训练该多好呀；
 
 当太多的精力被浪费在Agent运行时的稳定性上，我们越来越难去做出一些现有框架桎梏下，被视为“大胆”的算法尝试：
+
 - 为何多智能体任务中我们不能同时去训练不同大小的模型高低搭配，做非参数共享的多智能体RL训练？
 - 如果让一个较小的模型在每个Gradient Step同时学习多个完全不同Agent工作流(Workflow)，甚至完全不同领域的任务，是否有可能表现得更好？
 - 为什么鲜有研究使用 opencode 等带复杂 Runtime 的复杂 Agent 直接进行训练？