归档说明：本文由旧站 Product Lens 的自动流程生成并迁入，保留历史原文，文中的论文判断和产品推断未逐条复核。
Product Lens Daily
01
MUSE-Autoskill：通过技能创建、记忆、管理和评估实现自我进化的智能体
MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation
Huawei Lin, Peng Li, Jie Song, Fuxin Jiang
cs.AI · 2605.27366
产品视角
该框架使AI智能体能够持续自我进化，而非依赖静态技能库。产品上可赋能自动化运维、客户服务或软件开发中的复杂任务编排——例如，一个客服机器人可自主创建并记忆解决新问题类型的技能，无需人工重新编程。用户是希望降低长期维护成本的企业。市场缺口在于当前AI代理缺乏长期学习和技能复用能力，导致每次新任务都需要大量人工干预。
核心洞察 通过将技能视为动态可演化的资产并引入记忆管理，AI代理能够实现从“一次性任务执行”到“持续自我改进”的跨越。
02
面向检索智能体的自然语言查询到配置转换
Natural Language Query to Configuration for Retrieval Agents
Melissa Z. Pan, Negar Arabzadeh, Mathew Jacob, Fiodar Kazhamiaka
cs.AI · 2605.27361
产品视角
该研究解决了检索增强生成（RAG）系统的核心痛点：每次查询都需要手动调优LLM、检索器、文档数量等参数。产品上可构建一个“查询优化器”中间件，自动为每个用户问题选择最优配置组合（如高精度查询用更大模型，低成本查询用小模型）。用户是所有使用RAG的应用开发者。市场缺口在于现有RAG系统要么过度配置浪费成本，要么欠配置牺牲质量。
核心洞察 通过将查询参数配置自动化，可以在不牺牲回答质量的前提下大幅降低检索系统的运营成本。
03
MobileMoE：面向设备端的混合专家模型规模化部署
MobileMoE: Scaling On-Device Mixture of Experts
Yanbei Chen, Hanxian Huang, Ernie Chang, Jacob Szwejbka
cs.LG · 2605.27358
产品视角
该研究将混合专家（MoE）架构从云端大模型带到手机、IoT等边缘设备，在0.3-0.9B活跃参数下实现新性能天花板。产品上可驱动离线语音助手、实时翻译、移动端文档摘要等应用，用户是手机厂商和移动应用开发者。市场缺口在于当前端侧模型要么太小（性能差）要么太大（无法部署），MoE提供了“总容量大但每次只激活一小部分”的折中方案。
核心洞察 MoE架构在端侧模型上可实现“大容量、低计算”的帕累托最优，打破了过去小模型必须牺牲性能的困境。
04
FinHarness：面向金融LLM智能体的内联全生命周期安全约束框架
FinHarness: An Inline Lifecycle Safety Harness for Finance LLM Agents
Haoxuan Jia, Yang Liu, Bin Chong, Yingguang Yang
cs.CL · 2605.27333
产品视角
该框架为金融领域的LLM代理提供实时安全拦截，防止其在多步操作中执行未经授权的交易或数据访问。产品上可嵌入银行交易系统、投资顾问机器人或合规审查工具中。用户是金融机构的IT和安全团队。市场缺口在于现有安全方案要么规则太粗（漏放危险操作），要么事后审计（无法阻止损失），FinHarness实现了“边执行边拦截”。
核心洞察 通过内联拦截而非事后审计，金融AI代理可以在造成不可逆损失之前被实时阻止，同时不干扰合法工作流。
05
SIA：通过框架与权重更新实现自我改进的AI
SIA: Self Improving AI with Harness & Weight Updates
Prannay Hebbar, Yogendra Manawat, Samuel Verboomen, Alesia Ivanova
cs.AI · 2605.27276
产品视角
该研究提出AI系统可同时自我改进“框架”（工具、提示词）和“权重”（模型参数），朝向真正的自我进化迈出一步。产品上可应用于需要持续优化的场景，如自动化数据流水线、推荐系统或游戏AI——系统能自己发现瓶颈并调整策略。用户是AI系统运维团队。市场缺口在于当前AI代理的优化完全依赖人类工程师，成本高且速度慢。
核心洞察 AI系统若能同时自动优化外部工具配置和内部模型参数，将从根本上减少人类在AI持续改进中的介入需求。