Snailclimb
diff --git a/‎docs/ai/llm-basis/README.md‎
Lines changed: 2 additions & 2 deletions b/‎docs/ai/llm-basis/README.md‎
Lines changed: 2 additions & 2 deletions
diff --git a/‎docs/ai/llm-basis/llm-api-engineering.md‎
Lines changed: 91 additions & 83 deletions b/‎docs/ai/llm-basis/llm-api-engineering.md‎
Lines changed: 91 additions & 83 deletions
diff --git a/‎docs/ai/llm-basis/llm-evaluation.md‎
Lines changed: 149 additions & 146 deletions b/‎docs/ai/llm-basis/llm-evaluation.md‎
Lines changed: 149 additions & 146 deletions
diff --git a/‎docs/ai/llm-basis/llm-operation-mechanism.md‎
Lines changed: 107 additions & 219 deletions b/‎docs/ai/llm-basis/llm-operation-mechanism.md‎
Lines changed: 107 additions & 219 deletions
diff --git a/‎docs/ai/llm-basis/structured-output-function-calling.md‎
Lines changed: 95 additions & 198 deletions b/‎docs/ai/llm-basis/structured-output-function-calling.md‎
Lines changed: 95 additions & 198 deletions
diff --git a/‎docs/ai/rag/README.md‎
Lines changed: 9 additions & 9 deletions b/‎docs/ai/rag/README.md‎
Lines changed: 9 additions & 9 deletions
@@ -30,14 +30,14 @@ sidebar: false
 
 ## 建议阅读顺序
 
-1. [万字拆解 LLM 运行机制](./llm-operation-mechanism.md)：先理解 Token、上下文窗口和采样参数。
+1. [LLM 运行机制：Token、上下文窗口与采样参数怎么影响输出](./llm-operation-mechanism.md)：先理解 Token、上下文窗口和采样参数。
 2. [大模型 API 调用工程实践](./llm-api-engineering.md)：再看大模型调用如何接入真实后端链路。
 3. [大模型结构化输出详解](./structured-output-function-calling.md)：补齐结构化返回和工具调用基础。
 4. [AI 应用评测体系](./llm-evaluation.md)：最后建立质量评估和上线回归方法。
 
 ## 核心文章
 
-- [万字拆解 LLM 运行机制](./llm-operation-mechanism.md)：把 Token、上下文窗口、Temperature 等概念还原为可观察、可调试的工程参数。
+- [LLM 运行机制：Token、上下文窗口与采样参数怎么影响输出](./llm-operation-mechanism.md)：把 Token、上下文窗口、Temperature 等概念还原为可观察、可调试的工程参数。
 - [大模型 API 调用工程实践](./llm-api-engineering.md)：拆解 AI 应用调用大模型 API 的生产链路，覆盖流式输出、重试、限流、结构化返回与后端工程落地。
 - [大模型结构化输出详解](./structured-output-function-calling.md)：讲清 JSON Schema、Function Calling、Tool Calling 与 MCP 在一次工具调用里分别负责什么。
 - [AI 应用评测体系](./llm-evaluation.md)：从 Golden Set、LLM-as-Judge、RAG/Agent 指标、Trace 回放到 CI 回归，说明 AI 应用该怎么验收。
 
@@ -11,7 +11,7 @@ sidebar: false
 
 <!-- @include: @small-advertisement.snippet.md -->
 
-RAG 最容易被低估的地方，是它看起来像“文档切块 + 向量检索”，但真正影响效果的环节远不止这两个。
+RAG 不只有“文档切块 + 向量检索”。解析、权限、排序、生成、更新和评测都会影响最终答案。
 
 这份 **RAG 专题** 面向企业知识库问答、智能客服、文档助手和内部搜索等场景，按文档进入系统后的真实链路展开：解析、清洗、切分、向量化、索引、召回、重排、生成、更新和评测。
 
@@ -31,19 +31,19 @@ RAG 最容易被低估的地方，是它看起来像“文档切块 + 向量检
 
 ## 建议阅读顺序
 
-1. [万字详解 RAG 基础概念](./rag-basis.md)：先理解 RAG 的核心流程、优势和局限。
+1. [RAG 基础概念：检索、生成与工程取舍](./rag-basis.md)：先理解 RAG 的核心流程、优势和局限。
 2. [RAG 文档处理与切分策略](./rag-document-processing.md)：理解文档进入索引前的处理链路。
-3. [万字详解 RAG 向量索引算法和向量数据库](./rag-vector-store.md)：补齐向量索引和数据库选型基础。
-4. [万字详解 RAG 检索优化](./rag-optimization.md)：掌握召回、重排、改写和上下文压缩。
-5. [万字详解 GraphRAG](./graphrag.md)、[RAG 知识库文档更新策略](./rag-knowledge-update.md)：进一步理解复杂知识组织和持续更新。
+3. [RAG 向量索引算法和向量数据库](./rag-vector-store.md)：补齐向量索引和数据库选型基础。
+4. [RAG 优化：从召回、重排到上下文工程](./rag-optimization.md)：掌握召回、重排、改写和上下文压缩。
+5. [GraphRAG：用图结构补充向量检索](./graphrag.md)、[RAG 知识库文档更新策略](./rag-knowledge-update.md)：进一步理解复杂知识组织和持续更新。
 
 ## 核心文章
 
-- [万字详解 RAG 基础概念](./rag-basis.md)：理解 RAG 的工作流程、适用场景和局限性。
+- [RAG 基础概念：检索、生成与工程取舍](./rag-basis.md)：理解 RAG 的工作流程、适用场景和局限性。
 - [RAG 文档处理与切分策略](./rag-document-processing.md)：涵盖文件解析、清洗、结构化、Chunking 策略与多模态内容处理。
-- [万字详解 RAG 向量索引算法和向量数据库](./rag-vector-store.md)：掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库。
-- [万字详解 RAG 检索优化](./rag-optimization.md)：围绕 Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩排查召回问题。
-- [万字详解 GraphRAG](./graphrag.md)：理解知识图谱驱动的 RAG，掌握实体、关系、社区发现、全局检索与局部检索。
+- [RAG 向量索引算法和向量数据库](./rag-vector-store.md)：掌握 HNSW、IVFFLAT 等索引算法原理，学会选择合适的向量数据库。
+- [RAG 优化：从召回、重排到上下文工程](./rag-optimization.md)：围绕 Chunk 策略、Hybrid Search、Query Rewrite、Rerank、上下文压缩排查召回问题。
+- [GraphRAG：用图结构补充向量检索](./graphrag.md)：理解知识图谱驱动的 RAG，掌握实体、关系、社区发现、全局检索与局部检索。
 - [RAG 知识库文档更新策略](./rag-knowledge-update.md)：涵盖增量更新、版本回滚、去重与灰度发布。
 
 ## 高频问题