feat: 更新文档

README.md

@@ -6037,8 +6037,6 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   * 矛盾内容
     * 例：同一段回答中前后逻辑冲突（如先说“地球是平的”，后又说“地球绕太阳公转”）
 
-  <img src="/img/image-20250310151927722.png" alt="image-20250310151927722" style="zoom:50%;" />
-
 * 幻觉产生的根本原因
 
   * **训练数据的局限性**
@@ -6274,8 +6272,6 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   * **为啥检索到词条后，还可以用调整输出内容，更加友好？**
   * **什么是嵌入大模型？和前面学的LLM大模型有啥区别？**
 
-<img src="/img/image-20250314124004485.png" alt="image-20250314124004485" style="zoom:50%;" />
-
 ### RAG 检索增强生成之Loader实战
 
 #### RAG系统链路和数据加载Loaders技术
@@ -7496,8 +7492,6 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * **LLM大模型的RAG原理：用户输入自然语言query，找到最相关的文档**
   * 这些场景的共同点：需要量化两个事物的相似程度，向量空间中的"方向感"
 
-  <img src="/img/image-20250313170154488.png" alt="image-20250313170154488" style="zoom:30%;" />
-
 * 什么是余弦相似度？
 
   * 基础定义：余弦相似度（Cosine Similarity）用于衡量两个向量在方向上的相似程度，忽略其绝对长度
@@ -8911,26 +8905,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
       | **动态Schema** | 允许灵活字段（需Milvus 2.3+） |         日志类多变数据         |
 
 
-
+#### Milvus索引操作和最佳实践避坑指南
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-#### 第2集 Milvus索引操作和最佳实践避坑指南
-
-**简介：  Milvus索引操作和最佳实践避坑指南**
 
 * 为什么需要索引？
 
@@ -8952,7 +8927,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 创建索引
 
-    ```
+    ```python
     # 导入MilvusClient和DataType模块，用于连接Milvus服务器并操作数据类型
     from pymilvus import MilvusClient, DataType
     
@@ -9012,7 +8987,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 查看索引信息
 
-    ```
+    ```python
     #列出索引名称
     res = client.list_indexes(
         collection_name="customized_setup"
@@ -9032,7 +9007,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * 删除前需确保无查询正在使用该索引
     * 删除后需重新创建索引才能进行有效查询
 
-    ```
+    ```python
     #如果不再需要索引，可以直接将其删除。
     client.drop_index(
         collection_name="customized_setup",
@@ -9071,27 +9046,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     |    "主键冲突"    | 插入前检查ID唯一性，或使用自动生成ID |
     |  "向量维度错误"  |      校验dim参数与数据实际维度       |
 
-
+#### Milvus向量数据库的DML操作实战
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-#### 第3集 Milvus向量数据库的DML操作实战
-
-**简介：  Milvus向量数据库的DML操作实战**
 
 * 核心DML操作实战
 
@@ -9100,7 +9055,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * `auto_id=True`时无需手动指定主键
     * 动态字段（`enable_dynamic_field=True`）允许灵活扩展非预定义字段
 
-    ```
+    ```python
     # 导入MilvusClient和DataType模块，用于连接Milvus服务器并操作数据类型
     from pymilvus import MilvusClient, DataType
     
@@ -9133,7 +9088,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 插入数据（Insert）支持单条或批量插入【可视化工具那边需要加载，包括查询等都是需要加载状态才可以操作】
 
-    ```
+    ```python
     data = [
         {"id": 1, "vector": [0.1]*128, "text": "Sample text 1"},
         {"id": 2, "vector": [0.2]*128, "text": "Sample text 2"}
@@ -9149,7 +9104,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 删除数据（Delete）通过主键或条件表达式删除
 
-    ```
+    ```python
     # 按主键删除
     client.delete(
         collection_name="my_collection",
@@ -9165,7 +9120,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 更新数据（Update）Milvus不支持直接更新，需通过“删除+插入”实现：
 
-    ```
+    ```python
     # 删除旧数据
     client.delete(collection_name="my_collection", ids=[3])
     
@@ -9177,28 +9132,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     ```
 
 
-
+#### Milvus向量Search查询综合案例实战
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-#### 第4集 Milvus向量Search查询综合案例实战《上》
-
-**简介：  Milvus向量Search查询综合案例实战**
 
 * 需求说明
 
@@ -9211,7 +9145,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 核心参数说明
 
-    ```
+    ```python
     results = client 或 collection.search(
         data=[[0.12, 0.23, ..., 0.88]],  # 查询向量（必须）
         anns_field="vector",             # 要搜索的向量字段名（必须）
@@ -9235,7 +9169,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 准备数据
 
-    ```
+    ```python
     from pymilvus import (
         connections,MilvusClient,
         FieldSchema, CollectionSchema, DataType,
@@ -9295,7 +9229,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 创建索引
 
-    ```
+    ```python
     # 准备索引参数，为"vector"字段创建索引
     index_params = MilvusClient.prepare_index_params()
     
@@ -9318,7 +9252,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 执行查询【执行查询前需要加载才可以使用】
 
-    ```
+    ```python
     client.load_collection(collection_name="book")  # 加载集合到内存
     # 生成查询向量
     query_vector = [random.random() for _ in range(4)]
@@ -9343,24 +9277,6 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
         print("-" * 30)
     ```
 
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-#### 第5集 Milvus向量Search查询综合案例实战《下》
-
-**简介：  Milvus向量Search查询综合案例实战**
-
 * 向量数据库完整工作流程示意图
 
   ```
@@ -9379,7 +9295,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 测试是否有 output_fields 字段，返回结果的差异
 
-  ```
+  ```python
   # 案例1：基础向量查询
   basic_res = client.search(
       collection_name="book",
@@ -9406,7 +9322,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 集合状态
 
-  ```
+  ```python
   # 验证集合状态
   print(client.describe_collection("book"))
   
@@ -9426,30 +9342,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   | 错误处理     | 异常类捕获              | 统一错误码系统                |
   | 动态字段支持 | 需要额外配置            | 参数开启即可                  |
 
+### MMR搜索和LangChain整合Milvus实战
 
-
+#### 相似度Similarity和MMR最大边界相关搜索
-
-
-
-
-
-
-
-
-
-
-
-
-![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** 
-**更多高级课程请访问 xdclass.net**
-
-### 第四十一章 MMR搜索和LangChain整合Milvus实战
-
-
-
-#### 第1集 相似度Similarity和MMR最大边界相关搜索
-
-**简介：  相似度Similarity和MMR最大边界相关搜索**
 
 * 搜索的行业应用案例：电商推荐系统（明白两个差异）
 
@@ -9465,13 +9360,11 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     "用户浏览历史多样 → 推荐跨品类商品"
     ```
 
-
-
 * 基础相似度搜索（Similarity Search）
 
   * **原理**：通过向量空间中的距离计算（余弦相似度/L2距离等）找出最接近目标向量的结果
 
-  <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/1-2540349.png" alt="1" style="zoom:50%;" />
+  <img src="/img/1-2540349.png" alt="1" style="zoom:50%;" />
 
   * 核心特点
 
@@ -9481,7 +9374,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 参数配置模板，方法 `vector_store.similarity_search( )`
 
-    ```
+    ```python
     vector_store.as_retriever(
         search_type="similarity",
         search_kwargs={
@@ -9513,7 +9406,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   * 设计初衷是解决传统相似性搜索（如余弦相似度）可能导致的“信息冗余”问题，在需要覆盖多角度信息或推荐多样化内容的场景中效果显著
   * **原理**：在相似度和多样性之间进行权衡，避免结果冗余
 
-  <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/2-2540359.png" alt="2" style="zoom:50%;" />
+  <img src="/img/2-2540359.png" alt="2" style="zoom:50%;" />
 
   * 算法原理图解
 
@@ -9531,7 +9424,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 参数配置模板, 方法  `vector_store.max_marginal_relevance_search( )`
 
-    ```
+    ```python
     mmr_retriever = vector_store.as_retriever(
         search_type="mmr",
         search_kwargs={
@@ -9573,25 +9466,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 企业推荐系统架构示例
 
-<img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/3-2540810.png" alt="3" style="zoom:50%;" />
+<img src="/img/3-2540810.png" alt="3" style="zoom:50%;" />
-
-
-
-
-
-
-
-
-
-
 
-
+#### 新版LangChain向量数据库VectorStore设计
-
-
-
-#### 第2集 新版LangChain向量数据库VectorStore设计
-
-**简介：  新版LangChain向量数据库VectorStore设计**
 
 * LangChain 向量存储体系架构
 
@@ -9619,7 +9496,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     from langchain_core.vectorstores import VectorStore
     ```
 
-    <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/1-2537508.png" alt="1" style="zoom:50%;" />
+    <img src="/img/1-2537508.png" alt="1" style="zoom:50%;" />
 
 * VectorStore 核心方法详解
 
@@ -9636,7 +9513,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 初始化方法 
 
-    ```
+    ```python
     @classmethod
     def from_documents(
         cls,
@@ -9683,7 +9560,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 相似性搜索方法
 
-    ```
+    ```python
     def similarity_search(
         self,
         query: str,
@@ -9702,7 +9579,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 最大边界相关算法（MMR）
 
-    ```
+    ```python
     def max_marginal_relevance_search(
         self,
         query: str,
@@ -9730,27 +9607,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 场景：知识库冷启动
 
-<img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/export_j1u9v.png" alt="export_j1u9v" style="zoom:50%;" />
+<img src="/img/export_j1u9v.png" alt="export_j1u9v" style="zoom:50%;" />
-
-
-
-
-
-
-
-
-
-
-
-
 
-
+#### LangChain整合Milvus新增和删除实战
-
-
-
-#### 第3集 LangChain整合Milvus新增和删除实战
-
-**简介：  LangChain整合Milvus新增和删除实战**
 
 * 需求
 
@@ -9763,7 +9622,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 准备数据
 
-    ```
+    ```python
     from langchain_community.embeddings import DashScopeEmbeddings
     #from langchain.vectorstores import Milvus
     from langchain_milvus import Milvus
@@ -9829,7 +9688,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 插入
 
-    ```
+    ```python
     ids = [ str(i+1) for i in range(len(documents))]
     print(ids)
     result = vector_store.add_documents(documents=documents, ids=ids)
@@ -9838,25 +9697,14 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 删除
 
-    ```
+    ```python
     result = vector_store.delete(ids=["1"])
     print(result)
     #(insert count: 0, delete count: 1, upsert count: 0, timestamp: 456798840753225732, success count: 0, err count: 0
     ```
 
 
-
+####  LangChain实战MMR和相似性搜索实战
-
-
-
-
-
-
-
-
-#### 第4集 LangChain实战MMR和相似性搜索实战
-
-**简介：  LangChain实战MMR和相似性搜索实战**
 
 * 需求
 
@@ -9867,7 +9715,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 准备数据【**执行多次有多条重复记录，向量数据库不会去重，方便测试MMR**】
 
-    ```
+    ```python
     from langchain_community.embeddings import DashScopeEmbeddings
     #from langchain.vectorstores import Milvus
     from langchain_milvus import Milvus
@@ -9907,7 +9755,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 相似性搜索（向量数据库插入多个重复数据，看是否会返回一样的）
 
-    ```
+    ```python
     # 相似性搜索
     query = "如何进行数据库集成？"
     results = vector_store.similarity_search(query, k=2)
@@ -9926,7 +9774,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * MMR搜索（跨类搭配，向量数据库插入多个重复数据，看是否会返回一样的）
 
-    ```
+    ```python
     # MMR推荐（跨类搭配）
     diverse_results = vector_store.max_marginal_relevance_search(
         query="如何进行数据库集成",
@@ -9944,31 +9792,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     ```
 
 
+### Retrievers检索器+RAG文档助手项目实战
 
-
+#### LangChain检索器Retrievers案例实战
-
-
-
-
-
-
-
-
-
-
-
-
-
-![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** 
-**更多高级课程请访问 xdclass.net**
-
-### 第四十二章 Retrievers检索器+RAG文档助手项目实战
-
-
-
-#### 第1集 LangChain检索器Retrievers案例实战
-
-**简介：  LangChain检索器Retrievers案例实战**
 
 * 什么是`Retriever`
 
@@ -9980,7 +9806,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * **RAG中的角色**：作为检索增强生成（RAG）流程的“数据入口”，为生成模型提供精准上下文
 
-  <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/data_connection-95ff2033a8faa5f3ba41376c0f6dd32a.jpg" alt="data_connection_diagram" style="zoom:50%;" />
+  <img src="./img/data_connection-95ff2033a8faa5f3ba41376c0f6dd32a.jpg" alt="data_connection_diagram" style="zoom:50%;" />
 
   * 有多个实现：VectorStoreRetriever、MultiQueryRetriever、SelfQueryRetriever等
 
@@ -10004,7 +9830,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 基础使用参考案例
 
-  ```
+  ```python
   #将文档嵌入为向量，通过相似度计算（如余弦相似度）检索
   from langchain_community.vectorstores import FAISS
   retriever = FAISS.from_documents(docs, embeddings).as_retriever(
@@ -10019,7 +9845,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 源码
 
-      ```
+      ```python
       def as_retriever(self, **kwargs: Any) -> VectorStoreRetriever:
               tags = kwargs.pop("tags", None) or [] + self._get_retriever_tags()
               return VectorStoreRetriever(vectorstore=self, tags=tags, **kwargs)
@@ -10038,7 +9864,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
       |            `"mmr"`             | 多样性结果优化 | `max_marginal_relevance_search()` |
       | `"similarity_score_threshold"` |  阈值过滤检索  |  `search()` + `score_threshold`   |
 
-      ```
+      ```python
       # MMR 检索配置示例
       mmr_retriever = vector_store.as_retriever(
           search_type="mmr",
@@ -10062,7 +9888,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 默认是similarity search
 
-    ````
+    ````python
     from langchain_community.embeddings import DashScopeEmbeddings
     from langchain_milvus import Milvus
     from langchain_core.documents import Document
@@ -10115,27 +9941,10 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     ```
 
 
-
+#### 大厂面试题-如何提升大模型召回率和实战
-  
-
-
-
-
-
-
-
-
-
-
-
-#### 第2集 大厂面试题-如何提升大模型召回率和实战
-
-**简介：  大厂面试题-如何提升大模型召回率和案例实战**
 
 * **LLM大模型开发高频面试题：如何提升大模型召回率和准确率?**
 
-  <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20250325144937629.png" alt="image-20250325144937629" style="zoom:50%;" />
-
 * 需求背景
 
   * 当原始查询不够明确时，或者当文档库中的内容使用不同的术语表达同一概念时
@@ -10152,11 +9961,11 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * **查询扩展技术**：通过LLM生成N个相关查询（如改写、扩展、翻译），合并结果去重，生成多个变体查询
     * **双重增强效果**：提升召回率（+25%↑）和准确率（+18%↑）的平衡
 
-    ![1](D:/小滴课堂AI/AI智能化云盘/笔记/img/1-2885071.png)
+    ![1](./img/1-2885071.png)
 
   * 用法
 
-    ```
+    ```python
     retriever = MultiQueryRetriever.from_llm(
         retriever=base_retriever,
         llm=ChatOpenAI()
@@ -10172,7 +9981,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 案例实战
 
-  ```
+  ```python
   from langchain_community.embeddings import DashScopeEmbeddings
   #from langchain.vectorstores import Milvus
   from langchain_milvus import Milvus
@@ -10249,20 +10058,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   ```
 
 
-
+#### RAG综合项目实战-AI文档问答助手
-  
-
-
-
-
-
-
-
-
-
-#### 第3集 RAG综合项目实战-AI文档问答助手《上》
-
-**简介：  RAG综合项目实战-AI文档问答助手《上》**
 
 * **需求：在线文档的问答助手，方便查找相关手册和接口API**
 
@@ -10299,7 +10095,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 编码实战
 
-  ```
+  ```python
   from langchain_community.document_loaders import WebBaseLoader
   from langchain.text_splitter import RecursiveCharacterTextSplitter
   from langchain_milvus import Milvus
@@ -10373,22 +10169,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   ```
 
 
-
-
-
-
-
-
-
-
-
-#### 第4集 RAG综合项目实战-AI文档问答助手《下》
-
-**简介：  RAG综合项目实战-AI文档问答助手《下》**
-
 * 编码测试实战
 
-  ```
+  ```python
   # 定义PromptTemplate，用于构建输入给LLM的prompt。
   template = """你是AI文档助手，使用以下上下文来回答最后的问题。
   如果你不知道答案，就说你不知道，不要试图编造答案。
@@ -10424,7 +10207,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * 大家的疑惑点（下一章讲解）
 
-  ```
+  ```python
   # 构建Retrieval-Augmented Generation链。
   rag_chain = (
       {"context": retriever, "question": RunnablePassthrough()}
@@ -10442,30 +10225,9 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * `retriever`完成检索后，会自动把结果赋值给`context`。
     * 检索结果`context`和用户输入`question`一并传给提示模板`prompt_template`。
 
+### 解析和多实现类案例实战
 
-
+#### LangChain核心之Runnable接口底层实现
-
-
-
-
-
-
-
-
-
-
-
-
-![logo](D:/小滴课堂AI/AI智能化云盘/笔记/img/image-20230918114907133-5008948.png) **愿景："IT路上的持续充电平台，让技术不再难学"** 
-**更多高级课程请访问 xdclass.net**
-
-### 第四十三章 Runnable深度解析和多实现类案例实战
-
-
-
-#### 第1集 LangChain核心之Runnable接口底层实现
-
-**简介：  LangChain核心之Runnable接口底层实现**
 
 * 什么是`Runnable`接口
 
@@ -10494,7 +10256,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 执行 LCEL链调用的方法（invoke/stream/batch），链中的每个组件也调用对应的方法，将输出作为下一个组件的输入
 
-    ```
+    ```python
     #RunnableSequence.invoke 的源码解读
     
     def invoke(
@@ -10543,7 +10305,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
 * Runnable接口定义了以下核心方法，支持多种执行模式
 
-  ```
+  ```python
   class Runnable(Generic[Input, Output]):
       #处理单个输入，返回输出。
       def invoke(self, input: Input) -> Output: ...
@@ -10571,23 +10333,13 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   |  `RunnableParallel`   | 并行执行 | 多任务独立处理 |
   | `RunnablePassthrough` | 数据透传 |  保留原始输入  |
 
-
+#### RunnablePassthrough介绍和透传参数实战
-
-
-
-
-
-
-
-#### 第2集 RunnablePassthrough介绍和透传参数实战
-
-**简介：  RunnablePassthrough介绍和透传参数实战**
 
 * `RunnablePassthrough`
 
   * 核心功能：用于在链中直接传递输入数据，不进行任何修改，或通过 `.assign()` 扩展上下文字段
 
-  ![2](D:/小滴课堂AI/AI智能化云盘/笔记/img/2-2902256.png)
+  ![2](./img/2-2902256.png)
 
   * 应用场景：
 
@@ -10596,7 +10348,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 基础用法
 
-    ```
+    ```python
     from langchain_core.runnables import RunnablePassthrough
     
     # 直接传递输入
@@ -10608,7 +10360,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 案例一
 
-    ```
+    ```python
     # 使用 assign() 添加新字段
     from langchain_core.runnables import RunnablePassthrough
     
@@ -10627,7 +10379,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 案例二（伪代码）
 
-    ```
+    ```python
     # 构建包含原始问题和处理上下文的链
     chain = (
         RunnablePassthrough.assign(
@@ -10651,7 +10403,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     * 检索结果`context`和用户输入`question`一并传给提示模板`prompt_template`。
     * **输出**：模型根据检索到的上下文生成答案
 
-    ```
+    ```python
     from langchain_community.embeddings import DashScopeEmbeddings
     from langchain_milvus import Milvus
     from langchain_core.documents import Document
@@ -10705,14 +10457,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     ```
 
 
-
+#### AI智能推荐实战之RunnableParallel并行链
-
-
-
-
-#### 第3集 AI智能推荐实战之RunnableParallel并行链
-
-**简介：  AI智能推荐实战之RunnableParallel并行链**
 
 * `RunnableParallel` 介绍
 
@@ -10728,7 +10473,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 在 LCEL 链上，会将字典隐形转换为`RunnableParallel`
 
-  ```
+  ```python
   multi_retrieval_chain = (
       RunnableParallel({
           "context1": retriever1, #数据源一 
@@ -10759,11 +10504,11 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   | **并行执行** | 所有子Runnable同时运行 | 3个任务耗时2秒（而非累加） |
   | **类型安全** |  强制校验输入输出类型  |    自动检测字典字段类型    |
 
-  <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/1-2901569.png" alt="1" style="zoom:50%;" />
+  <img src="./img/1-2901569.png" alt="1" style="zoom:50%;" />
 
   * API 与用法, 构造函数所有子链接收相同的输入
 
-    ```
+    ```python
     from langchain_core.runnables import RunnableParallel
     
     runnable = RunnableParallel(
@@ -10794,7 +10539,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
       * 多模型对比系统
 
-        ```
+        ```python
         model_comparison = RunnableParallel({
             "gpt4": gpt4_chain,
             "claude": claude_chain,
@@ -10804,7 +10549,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
       * 智能文档处理系统
 
-        ```
+        ```python
         document_analyzer = RunnableParallel({
             "summary": summary_chain,       # 摘要生成
             "toc": toc_generator,           # 目录提取
@@ -10821,7 +10566,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 场景：并行生成景点与书籍推荐
 
-  ```
+  ```python
   from langchain_core.runnables import RunnableParallel
   from langchain_core.prompts import ChatPromptTemplate
   from langchain_openai import ChatOpenAI
@@ -10866,16 +10611,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
   ```
 
 
-
+#### RunnableLambda介绍和包装链式函数实战
-
-
-
-
-
-
-#### 第4集 RunnableLambda介绍和包装链式函数实战
-
-**简介：  RunnableLambda介绍和包装链式函数实战**
 
 * `RunnableLambda`
 
@@ -10908,7 +10644,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * API 与用法
 
-    ```
+    ```python
     from langchain_core.runnables import RunnableLambda
     
     def log_input(x):
@@ -10922,7 +10658,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 基础文本处理链
 
-    ```
+    ```python
     from langchain_core.runnables import RunnableLambda
     
     text_clean_chain = (
@@ -10937,7 +10673,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * 打印中间结果并过滤敏感词（在链中插入自定义处理逻辑）
 
-    ```
+    ```python
     from langchain_core.runnables import RunnableLambda
     from langchain_openai import ChatOpenAI
     def filter_content(text: str) -> str:
@@ -10962,22 +10698,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     ```
 
 
-
+#### 智能客服路由实战之RunnableBranch条件分支
-
-
-
-
-
-
-
-
-
-
-
-
-#### 第5集 智能客服路由实战之RunnableBranch条件分支
-
-**简介：  智能客服路由实战之RunnableBranch条件分支**
 
 * `RunnableBranch`
 
@@ -10985,7 +10706,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
   * API 与用法
 
-    ```
+    ```python
     from langchain_core.runnables import RunnableBranch
     
     #条件函数：接收输入，返回布尔值。
@@ -11007,7 +10728,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
     """
     ```
 
-    <img src="D:/小滴课堂AI/AI智能化云盘/笔记/img/3-2907855.png" alt="3" style="zoom:50%;" />
+    <img src="./img/3-2907855.png" alt="3" style="zoom:50%;" />
 
   * 适合场景：
 
@@ -11028,7 +10749,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 智能路由系统（根据输入类型路由处理方式）
 
-      ```
+      ```python
       # 定义分类函数
       def detect_topic(input_text):
           if "天气" in input_text:
@@ -11063,7 +10784,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 导入依赖
 
-      ```
+      ```python
       from langchain_core.runnables import RunnableBranch, RunnableLambda
       from langchain_core.prompts import ChatPromptTemplate
       from langchain_openai import ChatOpenAI
@@ -11072,7 +10793,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 定义模型
 
-      ```
+      ```python
       #定义模型
       model = ChatOpenAI(
           model_name = "qwen-plus",
@@ -11084,7 +10805,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 定义子链
 
-      ```
+      ```python
       # 技术支持链
       tech_prompt = ChatPromptTemplate.from_template(
           "你是一名技术支持专家，请回答以下技术问题：{input}"
@@ -11106,7 +10827,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 定义路由条件函数
 
-      ```
+      ```python
       def is_tech_question(input: dict) -> bool:
           # 获取 "input" 键对应的值
           input_value = input.get("input", "")
@@ -11122,7 +10843,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 构建 RunnableBranch
 
-      ```
+      ```python
       branch = RunnableBranch(
           (is_tech_question, tech_chain),      # 技术问题 → tech_chain
           (is_billing_question, billing_chain), # 账单问题 → billing_chain
@@ -11134,7 +10855,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
     * 测试案例
 
-      ```
+      ```python
       # 测试技术问题
       tech_response = full_chain.invoke("我的账号登录失败，提示技术故障")
       print("技术问题响应:", tech_response)
@@ -11169,7 +10890,7 @@ public JsonData list(@RequestParam(value = "parent_id")Long parentId){
 
       - 添加日志中间件（通过 `RunnableLambda`）记录路由决策过程
 
-      ```
+      ```python
       def log_decision(input_data):
           print(f"路由检查输入：{input_data}")
           return input_data