diff --git a/SpringAI/0_使用SpringAI接入AI模型.md b/SpringAI/0_使用SpringAI接入AI模型.md
index 5de83fb..adb58c2 100644
--- a/SpringAI/0_使用SpringAI接入AI模型.md
+++ b/SpringAI/0_使用SpringAI接入AI模型.md
@@ -150,29 +150,27 @@ spring:
           model: qwen-max # 阿里云的文档中有提供模型名称
 ```
 
-### 使用ChatClient发送消息示例
-
-1. 引入ChatModel
+### 使用ChatClient发送消息
 
 ```java
-// 如果需要根据名称注入，则可以指定为：dashScopeChatModel
+// 注入ChatModel，如果需要根据名称注入，则可以指定为：dashScopeChatModel
 private final ChatModel chatModel;
 ```
 
-2. 阻塞式传输
+#### 阻塞式传输
 
 ```java
 @GetMapping("chat")
-public String chat(@RequestParam String prompt) {// 用户输入的prompt
+public String chat(@RequestParam String prompt) {
     return ChatClient.create(chatModel)
             .prompt()
-            .user(prompt)
+            .user(prompt) // 用户输入的prompt
             .call() // 阻塞等待返回，结果可以是：ChatResponse、JaveBean、String
             .content();
 }
 ```
 
-3. 流式传输
+#### 流式传输
 
 ```java
  @GetMapping(value = "chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
@@ -187,23 +185,24 @@ public String chat(@RequestParam String prompt) {// 用户输入的prompt
   }
 ```
 
-### ChatMermory
+#### ChatMermory
 
 ChatMermory是一个记录与用户对话的组件，在聊天的模型中将用户与大模型API前几轮对话消息，发送给大模型的API是一个很常见的需求。它本身是一个接口，比如**InMemoryChatMemory**就是一个在JVM内存中记录的实现。可以按照自己的需求实现不同形式的存储，比如Redis、或数据库持久化存储。
 
-### MessageChatMemoryAdvisor
+#### MessageChatMemoryAdvisor
 
 ChatMermory仅仅是一个存储和获取历史对话消息的接口，而MessageChatMemoryAdvisor则是ChatClient中的一部分，比如这样做：
 
 ```java
 // 这里用InMemoryChatMemory做示例
 private static final ChatMemory chatMemory = new InMemoryChatMemory();
+```
 
+```java
 ChatClient.create(chatModel)
           .prompt()
           .user(prompt)
-          // 从历史记录里取6条对话消息一起发送至模型的API。
-          // 历史消息也是算在这一次对话Token消耗的，要关注Token膨胀
+          // 从历史记录里取6条对话消息一起发送至模型的API。历史消息也是算在这一次对话Token消耗，要关注Token膨胀
           .advisors(new MessageChatMemoryAdvisor(chatMemory, sessionId, 6))
           .stream()
           .content()
@@ -212,30 +211,34 @@ ChatClient.create(chatModel)
 
 ### ETL
 
-ETL的全称是Extract, Transform, Load，即抽取、转换、加载。我们可以利用ETL框架 [Apache Tika](https://tika.apache.org/2.9.0/formats.html)，将文档（.pdf .xlsx .docx .pptx .md .json等）导入至向量数据库，让AI模型能够从向量数据库中检索并生成答案。
+ETL的全称是Extract, Transform, Load，即抽取、转换、加载。我们可以利用ETL框架 [Apache Tika](https://tika.apache.org/2.9.0/formats.html)，将文档（.pdf .xlsx .docx .pptx .md .json等）导入至向量数据库，让AI模型能够从向量数据库中检索并生成答案。整体的流程图：
 
-**DocumentReader**负责读取文档：
+<img width='80%' src='https://www.jarcheng.top/blog/assets/etl-pipeline-tlEpEE9G.jpg'>
+
+#### DocumentReader读取文档
 
 - JsonReader：读取JSON
 - TextReader：读取text文档
 - PagePdfDocumentReader：读取PDF
 - TikaDocumentReader：读取各种文件（.pdf .xlsx .docx .pptx .md .json）都支持
 
-**DocumentTransformer**用于处理文档：
+#### DocumentTransformer加工处理
 
 - TextSplitter：文档切割成小块
 - ContentFormatTransformer：将文档转换成键值对
 - SummaryMetadataEnricher：使用大模型总结文档
 - KeywordMetadataEnricher：使用大模型提取文档关键词
 
-**DocumentWriter**负责文档写入：
+#### DocumentWriter负责文档写入
 
 - VectorStore：写入到向量数据库
 - FileDocumentWriter：写入到文件
 
-<img width='80%' src='https://www.jarcheng.top/blog/assets/etl-pipeline-tlEpEE9G.jpg'>
+#### 使用方式
 
-引入相关依赖
+Document对象是ETL的核心，它包含了文档的元数据和内容。
+
+##### 引入相关依赖
 
 ```xml
 <dependency>
@@ -244,11 +247,7 @@ ETL的全称是Extract, Transform, Load，即抽取、转换、加载。我们
 </dependency>
 ```
 
-Document对象是ETL的核心，它包含了文档的元数据和内容。
-
-#### 读取
-
-1. 从输入流读取
+##### 从输入流读取
 
 ```java
 // 适合前端上传 MultipartFile 的场景
@@ -256,51 +255,49 @@ Resource resource = new InputStreamResource(file.getInputStream());
 List<Document> documents = new TikaDocumentReader(resource).read();
 ```
 
-2. 从本地文件读取
+##### 从本地文件读取
 
 ```java
 Resource resource = new FileSystemResource("D:\\xxx.pdf");
 List<Document> documents = new TikaDocumentReader(resource).read();
 ```
 
-3. 从URL读取
+##### 从URL读取
 
 ```java
 Resource resource = new UrlResource("http://oss.com/xxx.pdf");
 List<Document> documents = new TikaDocumentReader(resource).read();
 ```
 
-#### 转换
-
-内容转换：
+##### 内容转换
 
 - TokenTextSplitter 可以把内容切割成更小的块，在RAG的时候可以提升响应速度、节省Token。
 - ContentFormatTransformer 可以把元数据的内容变成字符串键值对。
 
-元数据转换：
-
-- SummaryMetadataEnricher 使用大模型总结文档，在元数据里增加一个**summary**字段。
-- KeywordMetadataEnricher 使用大模型提取文档关键词，在元数据里面增加一个**keywords**字段。
-
 ```java
 List<Document> documents = new TikaDocumentReader(resource).read();
 // 这里示例用 TokenTextSplitter 分块
 List<Document> splitDocuments = new TokenTextSplitter().apply(documents);
 ```
 
-#### 存储
+##### 元数据转换
+
+- SummaryMetadataEnricher 使用大模型总结文档，在元数据里增加一个**summary**字段。
+- KeywordMetadataEnricher 使用大模型提取文档关键词，在元数据里面增加一个**keywords**字段。
+
+##### 存储
 
 这里需要引入一个新的组件**向量数据库**（VectorStore），这是AI记忆的核心组件。前面提到的**ChatMemory**属于短期记忆的组件，一般只在聊天对话的上下文中生效。而**VectorStore**是持久化存储的，也就是大家常说的AI知识库。
 
 什么是向量？我这里贴一段通义千问的回答：
 
-> 向量在向量数据库中指的是数学意义上的向量，即一维数组，它可以包含实数或复数。但在计算机科学和信息技术领域，特别是在机器学习、人工智能以及数据检索的上下文中，向量通常是指特征向量。这些向量用来表示数据点或对象的特征，每个元素代表一个特定的特征值。
+向量在向量数据库中指的是数学意义上的向量，即一维数组，它可以包含实数或复数。但在计算机科学和信息技术领域，特别是在机器学习、人工智能以及数据检索的上下文中，向量通常是指特征向量。这些向量用来表示数据点或对象的特征，每个元素代表一个特定的特征值。
 
 例如，在文本处理中，文档可以用词频-逆文档频率（TF-IDF）向量或者词嵌入（如Word2Vec或GloVe模型生成的向量）来表示；在图像识别中，图像可以转换为一个描述其视觉特征的向量；在推荐系统中，用户偏好和物品属性也可以被编码成向量形式。
 
 向量数据库就是专门设计用来存储、索引和查询这些高维度向量数据的数据库系统。它们优化了相似度搜索（比如通过计算向量之间的距离，如欧氏距离、余弦相似度等），使得能够快速找到与给定向量最接近的数据点。这种能力对于实现诸如图像搜索、语音识别、自然语言处理等任务非常有用。
 
-还记得前面提到的**Embedding**（嵌入模型）吗？这个组件就是SpringAI框架中用于把文档、音视频转换成向量的。向量化以后，可以使用向量存储数据库进行存储，下面用**RedisStack**来进行示例。
+还记得前面提到的**Embedding**（嵌入模型）吗？这个组件就是SpringAI框架中用于把文档、音视频转换成向量的。向量化以后，可以使用向量数据库进行存储，下面用**RedisStack**来进行示例。
 
 ##### 引入redis相关依赖
 
@@ -363,13 +360,19 @@ dash-scope:
 
 ##### 使用示例
 
-注入模型：
+注入模型
 
 ```java
 private final EmbeddingModel embeddingModel;
 ```
 
-向量化：
+注入VectorStore组件
+
+```java
+private final VectorStore vectorStore;
+```
+
+向量化
 
 ```
 public void embedding() {
@@ -379,15 +382,10 @@ public void embedding() {
 
 向量化存储文档
 
-注入VectorStore组件：
-
-```java
-private final VectorStore vectorStore;
-```
-**vectorStore.add**会自动调用embeddingModel完成向量化并存储
-
 ```java
 List<Document> documents = new TikaDocumentReader(resource).read();
 List<Document> splitDocuments = new TokenTextSplitter().apply(documents);
 vectorStore.add(splitDocuments);
-```
\ No newline at end of file
+```
+**vectorStore.add**会自动调用embeddingModel完成向量化并存储。
+