Unclecheng-li · Unclecheng-li · May 29, 2026 · May 29, 2026 · May 29, 2026
diff --git a/docs/assets/mermaid/.cache-key b/docs/assets/mermaid/.cache-key
@@ -1 +1 @@
-866dfc20ff03579b4ed9fe88ba6b151b5790e9c1c1aec829d93657714545660f
+bce837d901f7461a545c93ea2ad71c7b1a4a51de72d4255a4d38ff7831336d06
diff --git a/docs/assets/mermaid/chat-products_mermaid_0_d921ced9.svg b/docs/assets/mermaid/chat-products_mermaid_0_d921ced9.svg
diff --git a/docs/assets/mermaid/failure-cases_mermaid_0_6cb86e51.svg b/docs/assets/mermaid/failure-cases_mermaid_0_6cb86e51.svg
diff --git a/docs/assets/mermaid/index_mermaid_0_4bfd489a.svg b/docs/assets/mermaid/index_mermaid_0_4bfd489a.svg
diff --git a/docs/assets/mermaid/index_mermaid_1_4c49cd69.svg b/docs/assets/mermaid/index_mermaid_1_4c49cd69.svg
diff --git a/docs/assets/mermaid/machine-learning_mermaid_2_6c878947.svg b/docs/assets/mermaid/machine-learning_mermaid_2_6c878947.svg
diff --git a/docs/assets/mermaid/prompt-basic_mermaid_0_72623ff4.svg b/docs/assets/mermaid/prompt-basic_mermaid_0_72623ff4.svg
diff --git a/docs/assets/mermaid/prompt-basic_mermaid_1_5d4e2cd9.svg b/docs/assets/mermaid/prompt-basic_mermaid_1_5d4e2cd9.svg
diff --git a/docs/assets/mermaid/prompt-basic_mermaid_2_4fa92616.svg b/docs/assets/mermaid/prompt-basic_mermaid_2_4fa92616.svg
diff --git a/docs/assets/mermaid/stable-output_mermaid_0_a4883ca0.svg b/docs/assets/mermaid/stable-output_mermaid_0_a4883ca0.svg
diff --git a/docs/assets/mermaid/stable-output_mermaid_1_b549843d.svg b/docs/assets/mermaid/stable-output_mermaid_1_b549843d.svg
diff --git a/docs/assets/mermaid/structure_mermaid_0_39cfc0b3.svg b/docs/assets/mermaid/structure_mermaid_0_39cfc0b3.svg
diff --git a/docs/assets/mermaid/tasks_mermaid_0_f5e00efb.svg b/docs/assets/mermaid/tasks_mermaid_0_f5e00efb.svg
diff --git a/docs/assets/mermaid/temperature-sampling_mermaid_0_1fb265a4.svg b/docs/assets/mermaid/temperature-sampling_mermaid_0_1fb265a4.svg
diff --git a/docs/assets/mermaid/temperature-sampling_mermaid_1_87f42f11.svg b/docs/assets/mermaid/temperature-sampling_mermaid_1_87f42f11.svg
diff --git a/docs/assets/mermaid/temperature-sampling_mermaid_2_505dced2.svg b/docs/assets/mermaid/temperature-sampling_mermaid_2_505dced2.svg
diff --git a/docs/assets/mermaid/temperature-sampling_mermaid_3_b20d5792.svg b/docs/assets/mermaid/temperature-sampling_mermaid_3_b20d5792.svg
diff --git a/docs/assets/mermaid/temperature-sampling_mermaid_4_bfb6189a.svg b/docs/assets/mermaid/temperature-sampling_mermaid_4_bfb6189a.svg
diff --git a/docs/assets/mermaid/templates_mermaid_0_bf562375.svg b/docs/assets/mermaid/templates_mermaid_0_bf562375.svg
diff --git a/docs/basics/deep-learning.md b/docs/basics/deep-learning.md
@@ -359,8 +359,21 @@
 
 ## 延伸阅读
 
-- [什么是机器学习](machine-learning.md) —— 回顾机器学习的大框架，理解深度学习在其中的位置
-- [什么是 LLM](what-is-llm.md) —— 了解深度学习在语言方向上的最新产物：大语言模型
+- [什么是机器学习](../machine-learning/) —— 回顾机器学习的大框架，理解深度学习在其中的位置
+- [什么是 LLM](../what-is-llm/) —— 了解深度学习在语言方向上的最新产物：大语言模型
+
+## 下一步
+
+<div markdown="1" style="border:1px solid var(--md-default-fg-color--lightest);border-left:4px solid var(--md-accent-fg-color);border-radius:0.85rem;padding:1rem 1.1rem;margin:0.9rem 0;background:linear-gradient(135deg,var(--md-code-bg-color),rgba(233,30,99,0.06));">
+
+理解了深度学习之后，下一站建议看：
+
+<a href="../what-is-llm/" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+  <strong>什么是 LLM →</strong><br>
+  <span style="color:var(--md-default-fg-color--light);font-size:0.92rem;">了解深度学习在语言方向上的关键产物——大语言模型如何生成文字、接住上下文。</span>
+</a>
+
+</div>
 
 ## 练习题 / 小实验
 
@@ -370,17 +383,17 @@

 ??? question "参考答案"
    **思路 1：从数据的结构化程度看**

    图像和语言是典型的**非结构化数据**——像素和文字没有固定的格式，无法用表格的行列直接表达。深度学习恰恰擅长从非结构化数据里自动提炼特征，而传统机器学习需要人先把数据整理成结构化格式（特征工程）。表格数据本身就是结构化的，两者的优势正好反转。

    **思路 2：从数据量看**

    深度学习需要海量数据才能发挥威力。互联网上的图片和文本唾手可得，但企业的销售记录、生产数据往往只有几千到几万条——根本不够深度学习「吃饱」。数据量不足时，深度学习容易过拟合，传统机器学习反而更稳健。

    **思路 3：从特征的层次性看**

    图像和语言有天然的层次结构（像素→边缘→部件→概念；字→词→句→段），深度神经网络能很好地捕捉这种层次。表格数据的特征之间往往没有这种嵌套的层次关系，用简单的线性模型或树模型就足够了，强行用深度学习反而增加复杂度。

    **综合结论**：图像和语言的本质是非结构化、海量数据、有层次结构的；表格数据是结构化、小数据、无层次结构的。深度学习擅长的，恰好是传统机器学习不擅长的，所以两者在不同场景下各领风骚。

 ---
@@ -389,13 +402,13 @@

 ??? question "参考答案"
    **要解决的核心问题：梯度消失**

    反向传播时，梯度从输出层往回传，每经过一层就乘以一个系数（激活函数的导数）。层数多了之后，如果每层的系数都小于 1，梯度会指数级衰减到接近零，导致前面几层根本学不到东西。

    **残差连接的工作方式**

    正常情况下，每一层的输入 x 会通过权重层变成 Wx，然后经过激活函数输出 f(Wx)。

    残差连接在此基础上加了一条「捷径」：直接让输入 x 绕过权重层，和激活后的输出加在一起：`输出 = f(Wx) + x`。

    这条捷径让梯度可以直接流回去——求导时 `d/dx (f(Wx) + x) = f'(Wx)·W + 1`，那个 +1 保证梯度至少是 1，不会消失。就好像在一条拥堵的路上开了一条应急车道，让信息畅通无阻。

diff --git a/docs/basics/hallucination.md b/docs/basics/hallucination.md
diff --git a/docs/basics/index.md b/docs/basics/index.md
diff --git a/docs/basics/machine-learning.md b/docs/basics/machine-learning.md
@@ -513,10 +513,10 @@ flowchart LR
 ## 延伸阅读
 
 <div markdown="1" style="display:grid;grid-template-columns:repeat(auto-fit,minmax(14rem,1fr));gap:0.85rem;margin:1rem 0;">
-<a href="what-is-ai.md" style="display:block;padding:0.95rem 1rem;border-radius:0.8rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+<a href="../what-is-ai/" style="display:block;padding:0.95rem 1rem;border-radius:0.8rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
 <strong>什么是 AI</strong><br><span style="color:var(--md-default-fg-color--light);font-size:0.9rem;">从更大的视角理解 AI、机器学习、深度学习的关系。</span>
 </a>
-<a href="deep-learning.md" style="display:block;padding:0.95rem 1rem;border-radius:0.8rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+<a href="../deep-learning/" style="display:block;padding:0.95rem 1rem;border-radius:0.8rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
 <strong>什么是深度学习</strong><br><span style="color:var(--md-default-fg-color--light);font-size:0.9rem;">了解机器学习中最热门的一条技术路线。</span>
 </a>
 <a href="https://developers.google.com/machine-learning/crash-course/" style="display:block;padding:0.95rem 1rem;border-radius:0.8rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
@@ -533,7 +533,7 @@ flowchart LR
 
 分清了机器学习的概念之后，下一站建议看：
 
-<a href="deep-learning.md" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+<a href="../deep-learning/" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
   <strong>深度学习 →</strong><br>
   <span style="color:var(--md-default-fg-color--light);font-size:0.92rem;">了解机器学习中最热门的一条技术路线——用多层神经网络处理复杂任务。</span>
 </a>

diff --git a/docs/basics/model-data-training.md b/docs/basics/model-data-training.md
@@ -524,7 +524,7 @@ flowchart LR
 
 理解了模型、数据、训练和推理之后，下一站建议看：
 
-<a href="token-embedding-context.md" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+<a href="../token-embedding-context/" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
   <strong>Token、Embedding 与上下文窗口 →</strong><br>
   <span style="color:var(--md-default-fg-color--light);font-size:0.92rem;">继续拆开模型输入输出的基本单位，理解 token、向量和上下文窗口为什么影响价格、速度和效果。</span>
 </a>

diff --git a/docs/basics/multimodal-ai.md b/docs/basics/multimodal-ai.md
@@ -101,7 +101,7 @@ flowchart LR
 
 文本是目前最成熟、最常见的 AI 输入。
 
-你在聊天框里输入一句话，模型会先把它切成 Token，再通过 Embedding 变成向量。这个过程在 [Token、Embedding 与上下文窗口](token-embedding-context.md) 里会详细讲。
+你在聊天框里输入一句话，模型会先把它切成 Token，再通过 Embedding 变成向量。这个过程在 [Token、Embedding 与上下文窗口](../token-embedding-context/) 里会详细讲。
 
 文本 AI 擅长：
 
@@ -450,7 +450,7 @@ RAG 会在后面单独讲。这里先记住一个简单解释：RAG 就是先从
 
 理解了多模态 AI 之后，下一站建议看：
 
-<a href="model-data-training.md" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
+<a href="../model-data-training/" style="display:block;margin-top:0.75rem;padding:0.85rem 1rem;border-radius:0.65rem;background:var(--md-default-bg-color);text-decoration:none;border:1px solid var(--md-default-fg-color--lightest);">
   <strong>模型、数据、训练与推理 →</strong><br>
   <span style="color:var(--md-default-fg-color--light);font-size:0.92rem;">了解模型能力是怎么从数据、训练和推理流程里长出来的。</span>
 </a>
Original file line number	Diff line number	Diff line change
		@@ -1 +1 @@
		866dfc20ff03579b4ed9fe88ba6b151b5790e9c1c1aec829d93657714545660f
		bce837d901f7461a545c93ea2ad71c7b1a4a51de72d4255a4d38ff7831336d06