修复 md 文件中的图片相对路径及格式问题

将 ../../.resources/ 修正为 ../.resources/，修复图片无法显示的问题；
同时修复部分 markdown 格式问题。

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

1. 基础篇/1.2 机器学习基础.md

@@ -13,7 +13,7 @@
 
 上面提到的深度神经网络、监督微调、强化学习都是机器学习的训练方法。如果不了解这些概念，理解起来会很困难。
 
-![](../../.resources/image-1778903558680.png)
+![](../.resources/image-1778903558680.png)
 
 上面这张图直观展示了AI、机器学习、监督学习…等的边界关系。
 
@@ -41,7 +41,7 @@
 
 机器学习能利用计算机的运算能力，从大量的数据中发现一个“函数”或“模型”，并通过它来模拟现实世界事物间的关系，从而实现预测、判断等目的。这个过程的关键是建立一个合适的模型，并能主动地根据这个模型进行“推理”，而这个建模的过程就是机器的“学习”过程。
 
-![](../../.resources/image-1778903573309.png)
+![](../.resources/image-1778903573309.png)
 
 ## 3、机器是如何学习的
 
@@ -75,15 +75,15 @@ $$ y = f(x\_1, x\_2, x\_3, ..., x\_n; \\theta) $$
 
 那什么是损失呢？它其实是对糟糕预测的惩罚，同时也是对模型好坏的度量。损失也就是模型的误差，也称为成本或代价。名字虽多，但都是一个意思，就是当前预测值和真实值之间的差距的体现。它是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为 0；如果不准确，就有损失。
 
-![](../../.resources/image-1778903632449.png)
+![](../.resources/image-1778903632449.png)
 
 在机器学习中，我们追求的是比较小的损失。不过，模型好不好，还不能仅看单个样本，还要针对所有数据样本，找到一组平均损失“较小”的函数模型。样本的损失大小，从几何意义上基本可以理解为预测值和真值之间的几何距离。平均距离越大，说明误差越大，模型越离谱。在下面这个图中，左边是平均损失较大的模型，右边是平均损失较小的模型，模型所有数据点的平均损失很明显大过右边模型。
 
-![](../../.resources/image-1778903645243.png)
+![](../.resources/image-1778903645243.png)
 
 因此，针对每一组不同的参数，机器都会基于样本数据集，用损失函数算一次平均损失。而机器学习的最优化过程，就是逐步减小训练集上损失的过程。具体到我们今天这个回归模型的拟合，它的关键环节就是通过梯度下降，逐步优化模型的参数，使训练集误差值达到最小。在这里面，线性回归中计算误差的方法很好理解，就是数据集中真值与预测值之间的残差平方和。那梯度下降又是怎么一回事呢？为了让你直观地理解，我用一张图来展示一下，梯度下降是怎么一步一步地走到损失曲线中的最小损失点的。
 
-![](../../.resources/image-1778903659166.png)
+![](../.resources/image-1778903659166.png)
 
 ## 5、机器学习的分类
 
@@ -111,13 +111,13 @@ $$ y = f(x\_1, x\_2, x\_3, ..., x\_n; \\theta) $$
 -   **分类：**就是把数据划分为不同的类别以及回归，也就是对数值进行预测。比如拿一些猫猫狗狗的照片，和一堆对应猫狗的标签，给模型训练，然后让模型根据没见过的照片预测是猫还是狗，这就属于分类。
     
 
-![](../../.resources/image-1778903675127.png)
+![](../.resources/image-1778903675127.png)
 
 ### 5.2 无监督学习
 
 无监督学习和监督学习不同的是，他学习的数据是没有标签的，所以算法的任务是自主发现数据里的模式和规律。经典的无监督学习任务包括聚类：也就是把数据进行分组，比如来一堆新闻文章，让模型根据主题或内容的特征自动把相似文章进行组织。
 
-![](../../.resources/image-1778903690602.png)
+![](../.resources/image-1778903690602.png)
 
 ### 5.3 强化学习（Reinforcement Learning，简称RL)
 
@@ -127,7 +127,7 @@ $$ y = f(x\_1, x\_2, x\_3, ..., x\_n; \\theta) $$
 
 强化学习可以应用在很多任务上，比如说让模型下围棋，获得不同行动导致的奖励或损失反馈，从而在一局局游戏里优化策略，学习如何采取行动达到高分。
 
-![](../../.resources/image-1778903704776.png)
+![](../.resources/image-1778903704776.png)
 
 ### 5.4 深度学习
 
@@ -147,7 +147,7 @@ $$ y = f(x\_1, x\_2, x\_3, ..., x\_n; \\theta) $$
 
 这个输出层给出一个明确的答案，即这张图片是否是一只小猫。就像你通过多次尝试和修正，终于能够画出一只逼真的小猫一样。
 
-![](../../.resources/image-1778903723641.png)
+![](../.resources/image-1778903723641.png)
 
 ### 5.4 生成式Al
 
@@ -157,6 +157,6 @@ $$ y = f(x\_1, x\_2, x\_3, ..., x\_n; \\theta) $$
 
 大语言模型也叫LLM （Large Language model），也是深度学习的一种应用，专门用于进行自然语言处理任务。大语言模型里面的大字说明模型的参数量非常大，可能有数十亿甚至到万亿个。而且训练过程中也需要海量文本数据集，所以能更好的理解自然语言以及生成高质量的文本。 大语言模型的例子有非常多，比如国外的GPT、LLama，国内的Kimi、豆包等，可以进行文本的理解和生成。以GPT这个模型例子，它会根据输入提示以及前面生成过的词，通过概率计算，逐步生成下一个词或token来输出文本序列。
 
-![](../../.resources/image-1778903734521.png)
+![](../.resources/image-1778903734521.png)
 
 到这里，我们就已经了解了机器学习的基础概念。

1. 基础篇/1.3 大模型的生成和训练机制.md

@@ -18,7 +18,9 @@
 
 Token计算器： [https://platform.openai.com/tokenizer](https://platform.openai.com/tokenizer)
 
-![](../../.resources/image-1778903795673.png)![](../../.resources/image-1778903807898.png)![](../../.resources/image-1778903823955.png)![](../../.resources/image-1778903831939.png)
+<br>
+
+![](../.resources/image-1778903795673.png)![](../.resources/image-1778903807898.png)![](../.resources/image-1778903823955.png)![](../.resources/image-1778903831939.png)
 
 ### （二）自回归生成
 
@@ -51,7 +53,7 @@ Token计算器： [https://platform.openai.com/tokenizer](https://platform.opena
 
 学习如何与人沟通（礼貌、服从指令），遵守社会规则（不说脏话、不违法），成为一个讨人喜欢的助手。
 
-![|53%](../../.resources/image-1778903845740.png)
+![|53%](../.resources/image-1778903845740.png)
 
 ### （一）预训练（Pre-training）
 
@@ -78,7 +80,7 @@ Token计算器： [https://platform.openai.com/tokenizer](https://platform.opena
 
 经过几万亿个词的训练后，模型不仅学会了语法，还“记住”了世界上大部分的知识，甚至涌现出了基础的逻辑推理能力。
 
-![](../../.resources/image-1778903898269.png)
+![](../.resources/image-1778903898269.png)
 
 ### （二） 后训练（Post-training）
 
@@ -124,7 +126,7 @@ Token计算器： [https://platform.openai.com/tokenizer](https://platform.opena
 
 -   **三个核心目标（HHH标准）**：Helpful（有帮助）、Honest（诚实，减少幻觉）、Harmless（无害，遵守安全红线）。
     
--   **输出**：经过后训练的模型被称为\*\*Chat Model（对话模型）\*\*或 **Instruct Model（指令模型）**，这也就是我们平时使用的 ChatGPT、Kimi、豆包等最终形态。
+-   **输出**：经过后训练的模型被称为**Chat Model（对话模型）**或 **Instruct Model（指令模型）**，这也就是我们平时使用的 ChatGPT、Kimi、豆包等最终形态。
     
 
 ## 三、Transfomer架构（可选）

2. 进阶篇/2.1 提示词工程.md

@@ -13,7 +13,7 @@
 
 一般业务优化的过程，主要包括三个环节：
 
-![](../../.resources/image-1778904087718.png)
+![](../.resources/image-1778904087718.png)
 
 如下我们分别分三个部分来进行介绍：
 
@@ -42,8 +42,6 @@
 
 在这个过程中，可以为任务提供明确的结构和组织要求。指明任务的各个部分应该包括什么内容，有助于模型组织思维和材料。
 
-<aside>
-
 ```
 请撰写一篇500字的文章，讨论城市绿化对空气质量改善的影响。文章应包括以下方面的内容：
 1. 引言：介绍城市绿化和其重要性。
@@ -99,7 +97,9 @@
 
 比如下面的案例，让模型分别扮演科学家和玄幻小说家生成一篇文章，文章的主题是：“黑洞是如何形成的”。在科学家的角度下，模型基于科学事实首先解释了黑洞是什么，然后回答了黑洞的形成过程；而在玄幻小说家的角度下，模型此时的输出不再基于科学事实，而是完全虚构，并且给人更多神秘的感觉，勾起读者的兴趣。
 
-![](../../.resources/image-1778904211059.png)![](../../.resources/image-1778904222194.png)
+<br>
+
+![](../.resources/image-1778904211059.png)![](../.resources/image-1778904222194.png)
 
 <br>
 
@@ -107,7 +107,9 @@
 
 一般情况下，可以通过加入指令，来优化提示词，但是有时指令可能不容易描述清楚，提供示例会更容易。比如：我们让模型充当一个文本二分类器，对用户的评价进行二分类，分类结果为：正面评价或者负面评价。
 
-![](../../.resources/image-1778904233713.png)![](../../.resources/image-1778904244206.png)
+<br>
+
+![](../.resources/image-1778904233713.png)![](../.resources/image-1778904244206.png)
 
 可以看出，正常情况下，模型暂时对于非绝对负面的评价都是分类为正面评价；而对于完全负面的评价才会分类为负面评价。但是我们希望**模型对用户的评价是绝对正面时，才输出正面评价；否则都输出负面评价**。比如，“我最近在这家餐厅用餐，还行，但也不是特别惊艳”这个 case，我们希望模型输出“负面评价”。此时，可以提供一些示例供模型来参考学习。
 
@@ -185,7 +187,7 @@ CoT（Chain of Thought，CoT）是一种思维工具，通过逐步延伸和拓
 
 火山引擎-火山方舟推出了PromptPilot工具，输入你写的Prompt，AI会返回优化后的Prompt。
 
-![](../../.resources/image-1778904417655.png)
+![](../.resources/image-1778904417655.png)
 
 ## 三、Prompt 评测
 
@@ -208,7 +210,7 @@ prompt 的生成过程，实际上是一项实验性很强的过程，在这个
 
 prompt 工程迭代过程如下：
 
-![](../../.resources/image-1778904431034.png)
+![](../.resources/image-1778904431034.png)
 
 最后，进一步需要说明的是，获取模型的最佳输出不仅需要优秀的 prompt，同时也取决于用户提供的反馈和修正。prompt 优化完成之后，通过线上持续的反馈和修正，模型才能更顺利地理解并满足用户需求。
 
@@ -238,7 +240,6 @@ prompt 工程迭代过程如下：
 规则：
 1. 步骤1...
 2. 步骤2...
-
 ```
 
 ### 2、提示词生成助手

2. 进阶篇/2.2 模型微调.md

@@ -24,8 +24,6 @@
 
 可通过【火山方舟】或者【阿里云百炼】进行模型的微调
 
-<br>
-
 ### （一）准备阶段
 
 1.  **明确目标**
@@ -154,7 +152,7 @@
 
 理想状态下，Loss 线会平稳下降，最终稳定在一个低水平。
 
-![](../../.resources/image-1778904494574.png)
+![](../.resources/image-1778904494574.png)
 
 3.  **警惕“灾难性遗忘”**
     

2. 进阶篇/2.3 RAG.md

@@ -241,7 +241,7 @@ flowchart LR
 
 -   **0-1 测试项目**：直接接 OpenAI 的 `text-embedding-3-small`，省心且便宜。
     
--   **企业级应用**：考虑到数据合规与安全，本地部署开源的 `BGE-m3` 或 `M3E` 是目前最稳妥的方案。 </aside>
+-   **企业级应用**：考虑到数据合规与安全，本地部署开源的 `BGE-m3` 或 `M3E` 是目前最稳妥的方案。
     
 
 ### 1.4 存入向量数据库

2. 进阶篇/2.4 Agent.md

@@ -36,10 +36,12 @@ ReAct Agent 的工作方式很像人类解决问题的过程：在整体目标
 
 ReAct 的实现主要依赖于精心设计的 `Few-Shot Prompting`[https://github.com/ysymyth/ReAct。Prompt](https://github.com/ysymyth/ReAct%E3%80%82Prompt) 中包含若干个“思考-行动-观察”的完整轨迹示例，指导 LLM 在新的任务实例上生成类似的交错序列。
 
-对于 Agent 应用开发者而言，无需在提示词中额外加入这些示例来引导模型生成。大多数模型厂商已在 API 内部进行了处理，一般通过 **Function Calling** （\*\*函数调用）\*\*的方式实现。
+对于 Agent 应用开发者而言，无需在提示词中额外加入这些示例来引导模型生成。大多数模型厂商已在 API 内部进行了处理，一般通过 **Function Calling** （**函数调用）**的方式实现。
 
 ## 三、Agent运行流程
 
+<br>
+
 ![](../.resources/image-1778904762459.png)![](../.resources/image-1778904772586.png)
 
 工具调用具体过程
@@ -197,6 +199,8 @@ curl <https://ark.cn-beijing.volces.com/api/v3/responses> \\
 -   **MCP出现之后：**MCP相当于Type-C设备端口，不同外接设备厂商只要支持Type-C端口，就可以在所有支持Type-C端口的电脑上使用，而不同笔记本厂商只要支持Type-C端口，也就可以使用所有支持Type-C端口的外接设备。
     
 
+<br>
+
 ![](../.resources/image-1778904815118.png)![](../.resources/image-1778904822749.png)
 
 ### 2\. Agent、大语言模型和MCP是如何交互的
@@ -274,6 +278,8 @@ sequenceDiagram
 | 缺点  | 受网络、带宽影响，可能更高延迟 | 需要在本地安装对应的运行环境（如 Node.js、Python 等）和相关依赖包，配置相对复杂。 |
 | 适用场景 | 适合快速体验、轻量集成、不想管理本地环境的场景。 | 适合对性能和安全性要求较高、需要频繁调用的生产环境。 |
 
+<br>
+
 ![](../.resources/image-1778904872406.png)![](../.resources/image-1778904888142.png)
 
 ## 五、Skill

3. 实战篇（客服Agent)/3.2 需求分析.md

@@ -90,8 +90,7 @@
 | 管理层 | 投资回报率、降本增效数据 | 减少客服人力成本20%~30%，提升客户满意度 | AI出错导致品牌舆情风险；投入产出比不明确 |
 | 客服主管 | 服务质量、团队管理效率 | 降低团队工作压力，聚焦高价值复杂咨询 | 担心团队裁员引发士气下降；AI不可控时增加管理难度 |
 | 一线客服 | 工具易用性、工作负荷 | 减少重复性问答，专注处理有挑战的问题 | **岗位安全感**——担心被AI替代；人机协作流程不顺畅 |
-| 顾客  | 响应速度、回复准确性、服务态度 | 快速得到准确解答，体验自然流畅 | AI答非所问浪费时间； |
-| 无法解决问题又找不到人工； | <br> | <br> | <br> |
+| 顾客  | 响应速度、回复准确性、服务态度 | 快速得到准确解答，体验自然流畅 | AI答非所问浪费时间；<br><br>无法解决问题又找不到人工； |
 | 运营/商品 | 信息准确性、更新便捷性 | 知识库能自动同步商品和活动信息 | 担心增加额外的信息维护工作量 |
 | 法务/合规 | 合规性、数据安全 | AI回复不涉及虚假承诺、敏感信息泄露 | AI生成不可控内容引发法律风险 |
 

3. 实战篇（客服Agent)/3.3 整体设计.md

@@ -4,7 +4,7 @@
 
 ### 整体架构图
 
-![](../../.resources/image-1778916957943.png)
+![](../.resources/image-1778916957943.png)
 
 ### 架构分层说明
 
@@ -49,18 +49,12 @@
 
 ### 3\. Dify Chatflow 核心流程设计
 
-<br>
-
-![image.png](attachment:cdfa2c51-60e1-41b9-89c3-5ca47b18fbb3:image.png)
+![](../.resources/image-1780207231792.png)
 
 ## （三）产品路线图
 
-<aside> 📌
-
 **分期策略：** 采用 MVP → 增强 → 规模化 三阶段渐进上线，每阶段有明确的交付物和验收标准，降低项目风险。
 
-</aside>
-
 ### 里程碑 1：MVP 版本（第 1~8 周）
 
 **目标：** 跑通核心链路，验证技术可行性

3. 实战篇（客服Agent)/3.4 详细设计.md

@@ -388,11 +388,7 @@ graph TD
 
 ## （六）功能设计：人工辅助建议
 
-<aside> 🤖
-
-**设计目标：** 在转人工场景中，AI 不仅传递对话摘要，还为人工客服实时提供建议回复和参考信息，提升人工处理效率 30% 以上，缩短平均处理时长。
-
-</aside>
+🤖 **设计目标：** 在转人工场景中，AI 不仅传递对话摘要，还为人工客服实时提供建议回复和参考信息，提升人工处理效率 30% 以上，缩短平均处理时长。
 
 ### 1\. 功能定位