limingqi - 博客园

年入百万｜靠 8 个维度，把自己活成了一家公司

摘要：不内耗、不躺平、不依附，我没有开挂人生，只搭建了一套终身盈利系统。 1️⃣ 专利费用把专业变成无形资产。一次研发，长期授权，别人上班赚钱，我靠技术壁垒躺着赚钱。 2️⃣ 论文费用不是为了虚名，是为了话语权。每一篇高质量发表，都是我身价上涨的硬通货。 3️⃣ 出书稿费一本书，就是一张终身名片。版阅读全文

posted @ 2026-02-28 13:38 limingqi 阅读(84) 评论(0) 推荐(0)

测试case数据分析

摘要：结论：当前的case问题主要分为三类： native_rag测试问题：检索不到相关内容占比较大73.6%，部分检索到占比15.7%，检索相关性差5.2%。 native_rag测试问题解决：使用agentic_rag 可以解决19个case native_rag VS agentic_rag时间分阅读全文

posted @ 2026-02-06 16:49 limingqi 阅读(24) 评论(0) 推荐(0)

prompt

摘要：你是色彩调配专家根据angle，L， A， B 的值预测base_color， base_ratio， sliver_name， sliver_ratio 的结果。根据参考示例的数据内容进行合理的预测参考示例： base_color base_ratio sliver_name sliver_ra 阅读全文

posted @ 2026-02-05 23:18 limingqi 阅读(22) 评论(0) 推荐(0)

“取代 RAG” 的核心指向

摘要：一、RIG（Retrieval Interleaved Generation）：谷歌推出的 “检索 - 生成交错” 方案 1. 核心原理（区别于传统 RAG）传统 RAG 是 “先检索、后生成” 的线性流程（用户查询→一次性检索外部数据→整合生成答案），而 RIG 采用 “检索与生成实时交错” 模阅读全文

posted @ 2026-02-03 17:00 limingqi 阅读(156) 评论(0) 推荐(0)

从普通到年薪 200w，个体的赚钱路径

摘要：核心逻辑：从“个人高产出”升级为“个人价值可复制/可杠杆/可溢价”，把单一个体的200万能力，通过「杠杆放大、价值沉淀、赛道卡位」，让收入持续增长的同时，降低“纯靠个人拼体力”的不可持续性，同时搭建别人无法快速替代的高壁垒。以下策略全是落地性动作，无空泛理论，按「优先级从高到低」排序，适配单干型高价阅读全文

posted @ 2026-02-02 17:16 limingqi 阅读(135) 评论(0) 推荐(0)

Agentic Vision

摘要：两项代表性的研究 Gemini 3: 显式视觉规划「思考-行动-观察」（Think-Act-Observe）的闭环，利用代码执行作为视觉推理的工具，将被动的视觉理解转化为主动的智能体过程。思考（Think）：模型分析用户查询和初始图像，制定多步计划。行动（Act）：模型生成并执行Python代阅读全文

posted @ 2026-02-02 15:33 limingqi 阅读(115) 评论(0) 推荐(0)

不用羡慕别人会赚钱，你缺的不是天赋，是可落地的变现思维

摘要：一、判断一个人是否擅长挣钱的6 个核心维度（看能力而非单纯看数字，可落地验证）核心不是看 “赚了多少”，而是看赚钱的底层逻辑和可持续性，擅长挣钱的人，本质是把「能力→价值→变现」的链路跑通且能复制，6 个维度按重要性排序： 1. 价值变现能力：能把自身技能 / 经验 / 资源，转化为可交易的产品阅读全文

posted @ 2026-02-02 13:43 limingqi 阅读(73) 评论(0) 推荐(0)

知识付费从0-1的盈利方法论

摘要： 2025年以0-1 验证成功（4w 收入）为基础，围绕内容复用、精准引流、多层变现三大核心，实现低成本、可复制的收入增长，核心是 “把已验证的成功经验，做深、做透、做规模化”，具体分 3 大模块、9 个落地要点，轻量易执行：一、内容端：一次创作，多次复用，降低创作成本核心逻辑：基于已变现的干货阅读全文

posted @ 2026-02-02 11:23 limingqi 阅读(413) 评论(0) 推荐(0)

HaluMem：首个面向智能体记忆系统的操作级幻觉评估基准

摘要：一、核心背景与问题当前智能体（Agent）的记忆系统（如 Mem0、Zep 等）虽能提升长期交互能力，但在记忆存储、提取、更新全流程中频繁出现 “记忆幻觉”，具体表现为四类问题：虚构：添加对话中未出现的信息（如无中生有 “用户讨厌咖啡”）；错误：存储信息与事实不符（如将 “用户朋友叫 Jose 阅读全文

posted @ 2026-01-28 14:34 limingqi 阅读(85) 评论(0) 推荐(0)

CORE: A Conceptual Reasoning Layer for Large Language Models

摘要：结合搜索到的相关摘要（尤其摘要 1），该论文聚焦大语言模型（LLMs）多轮对话中的 “token 优先” 范式缺陷，提出了名为 “CORE” 的概念导向推理层，通过 “概念优先” 的交互逻辑，解决 LLMs 在长对话中记忆漂移、推理低效、上下文冗余的核心痛点，且无需修改模型权重，实现多轮对话稳定性与阅读全文

posted @ 2026-01-23 16:44 limingqi 阅读(77) 评论(0) 推荐(0)