Merge pull request #27 from jjyaoao/main

fix bold in chapter8

docs/chapter8/第八章 记忆与检索.md

@@ -1,8 +1,8 @@
 # 第八章 记忆与检索增强生成
 
-在前面的章节中，我们构建了HelloAgents框架的基础架构，实现了多种智能体范式和工具系统。不过，我们的框架还缺少一个关键能力：**记忆**。如果智能体无法记住之前的交互内容，也无法从历史经验中学习，那么在连续对话或复杂任务中，其表现将受到极大限制。
+在前面的章节中，我们构建了HelloAgents框架的基础架构，实现了多种智能体范式和工具系统。不过，我们的框架还缺少一个关键能力：<strong>记忆</strong>。如果智能体无法记住之前的交互内容，也无法从历史经验中学习，那么在连续对话或复杂任务中，其表现将受到极大限制。
 
-本章将在第七章构建的框架基础上，为HelloAgents增加两个核心能力：**记忆系统（Memory System）**和**检索增强生成（Retrieval-Augmented Generation, RAG）**。我们将采用"框架扩展 + 知识科普"的方式，在构建过程中深入理解Memory和RAG的理论基础，最终实现一个具有完整记忆和知识检索能力的智能体系统。
+本章将在第七章构建的框架基础上，为HelloAgents增加两个核心能力：<strong>记忆系统（Memory System）</strong>和<strong>检索增强生成（Retrieval-Augmented Generation, RAG）</strong>。我们将采用"框架扩展 + 知识科普"的方式，在构建过程中深入理解Memory和RAG的理论基础，最终实现一个具有完整记忆和知识检索能力的智能体系统。
 
 
 ## 8.1 从认知科学到智能体记忆
@@ -18,26 +18,26 @@
 
 根据认知心理学的研究，人类记忆可以分为以下几个层次：
 
-1. **感觉记忆（Sensory Memory）**：持续时间极短（0.5-3秒），容量巨大，负责暂时保存感官接收到的所有信息
-2. **工作记忆（Working Memory）**：持续时间短（15-30秒），容量有限（7±2个项目），负责当前任务的信息处理
-3. **长期记忆（Long-term Memory）**：持续时间长（可达终生），容量几乎无限，进一步分为：
-   - **程序性记忆**：技能和习惯（如骑自行车）
-   - **陈述性记忆**：可以用语言表达的知识，又分为：
-     - **语义记忆**：一般知识和概念（如"巴黎是法国首都"）
-     - **情景记忆**：个人经历和事件（如"昨天的会议内容"）
+1. <strong>感觉记忆（Sensory Memory）</strong>：持续时间极短（0.5-3秒），容量巨大，负责暂时保存感官接收到的所有信息
+2. <strong>工作记忆（Working Memory）</strong>：持续时间短（15-30秒），容量有限（7±2个项目），负责当前任务的信息处理
+3. <strong>长期记忆（Long-term Memory）</strong>：持续时间长（可达终生），容量几乎无限，进一步分为：
+   - <strong>程序性记忆</strong>：技能和习惯（如骑自行车）
+   - <strong>陈述性记忆</strong>：可以用语言表达的知识，又分为：
+     - <strong>语义记忆</strong>：一般知识和概念（如"巴黎是法国首都"）
+     - <strong>情景记忆</strong>：个人经历和事件（如"昨天的会议内容"）
 
 ### 8.1.2 为何智能体需要记忆与RAG
 
-借鉴人类记忆系统的设计，我们可以理解为什么智能体也需要类似的记忆能力。人类智能的一个重要特征就是能够记住过去的经历，从中学习，并将这些经验应用到新的情况中。同样，一个真正智能的智能体也需要具备记忆能力。对于基于LLM的智能体而言，通常面临两个根本性局限：**对话状态的遗忘**和**内置知识的局限**。
+借鉴人类记忆系统的设计，我们可以理解为什么智能体也需要类似的记忆能力。人类智能的一个重要特征就是能够记住过去的经历，从中学习，并将这些经验应用到新的情况中。同样，一个真正智能的智能体也需要具备记忆能力。对于基于LLM的智能体而言，通常面临两个根本性局限：<strong>对话状态的遗忘</strong>和<strong>内置知识的局限</strong>。
 
 （1）局限一：无状态导致的对话遗忘
 
-当前的大语言模型虽然强大，但设计上是**无状态的**。这意味着，每一次用户请求（或API调用）都是一次独立的、无关联的计算。模型本身不会自动“记住”上一次对话的内容。这带来了几个问题：
+当前的大语言模型虽然强大，但设计上是<strong>无状态的</strong>。这意味着，每一次用户请求（或API调用）都是一次独立的、无关联的计算。模型本身不会自动“记住”上一次对话的内容。这带来了几个问题：
 
-1. **上下文丢失**：在长对话中，早期的重要信息可能会因为上下文窗口限制而丢失
-2. **个性化缺失**：Agent无法记住用户的偏好、习惯或特定需求
-3. **学习能力受限**：无法从过往的成功或失败经验中学习改进
-4. **一致性问题**：在多轮对话中可能出现前后矛盾的回答
+1. <strong>上下文丢失</strong>：在长对话中，早期的重要信息可能会因为上下文窗口限制而丢失
+2. <strong>个性化缺失</strong>：Agent无法记住用户的偏好、习惯或特定需求
+3. <strong>学习能力受限</strong>：无法从过往的成功或失败经验中学习改进
+4. <strong>一致性问题</strong>：在多轮对话中可能出现前后矛盾的回答
 
 让我们通过一个具体例子来理解这个问题：
 
@@ -60,12 +60,12 @@ print(response2)  # "抱歉，我不知道您的学习进度..."
 
 （2）局限二：模型内置知识的局限性
 
-除了遗忘对话历史，LLM 的另一个核心局限在于其知识是**静态的、有限的**。这些知识完全来自于它的训练数据，并因此带来一系列问题：
+除了遗忘对话历史，LLM 的另一个核心局限在于其知识是<strong>静态的、有限的</strong>。这些知识完全来自于它的训练数据，并因此带来一系列问题：
 
-1. **知识时效性**：大模型的训练数据有时间截止点，无法获取最新信息
-2. **专业领域知识**：通用模型在特定领域的深度知识可能不足
-3. **事实准确性**：通过检索验证，减少模型的幻觉问题
-4. **可解释性**：提供信息来源，增强回答的可信度
+1. <strong>知识时效性</strong>：大模型的训练数据有时间截止点，无法获取最新信息
+2. <strong>专业领域知识</strong>：通用模型在特定领域的深度知识可能不足
+3. <strong>事实准确性</strong>：通过检索验证，减少模型的幻觉问题
+4. <strong>可解释性</strong>：提供信息来源，增强回答的可信度
 
 为了克服这一局限，RAG技术应运而生。它的核心思想是在模型生成回答之前，先从一个外部知识库（如文档、数据库、API）中检索出最相关的信息，并将这些信息作为上下文一同提供给模型。
 
@@ -148,7 +148,7 @@ hello-agents/
 └──
 ```
 
-**快速开始：安装HelloAgents框架**
+<strong>快速开始：安装HelloAgents框架</strong>
 
 为了让读者能够快速体验本章的完整功能，我们提供了可直接安装的Python包。你可以通过以下命令安装本章对应的版本：
 
@@ -207,8 +207,8 @@ EMBED_BASE_URL=
 
 本章的学习可以采用两种方式：
 
-1. **体验式学习**：直接使用`pip`安装框架，运行示例代码，快速体验各种功能
-2. **深度学习**：跟随本章内容，从零开始实现每个组件，深入理解框架的设计思想和实现细节
+1. <strong>体验式学习</strong>：直接使用`pip`安装框架，运行示例代码，快速体验各种功能
+2. <strong>深度学习</strong>：跟随本章内容，从零开始实现每个组件，深入理解框架的设计思想和实现细节
 
 我们建议采用"先体验，后实现"的学习路径。在本章中，我们提供了完整的测试文件，你可以重写核心函数并运行测试，以检验你的实现是否正确。
 
@@ -290,11 +290,11 @@ INFO:hello_agents.memory.storage.qdrant_store:✅ 使用现有Qdrant集合: rag_
 如图8.3所示，根据认知科学的研究，人类记忆的形成经历以下几个阶段：
 
 
-1. **编码（Encoding）**：将感知到的信息转换为可存储的形式
-2. **存储（Storage）**：将编码后的信息保存在记忆系统中
-3. **检索（Retrieval）**：根据需要从记忆中提取相关信息
-4. **整合（Consolidation）**：将短期记忆转化为长期记忆
-5. **遗忘（Forgetting）**：删除不重要或过时的信息
+1. <strong>编码（Encoding）</strong>：将感知到的信息转换为可存储的形式
+2. <strong>存储（Storage）</strong>：将编码后的信息保存在记忆系统中
+3. <strong>检索（Retrieval）</strong>：根据需要从记忆中提取相关信息
+4. <strong>整合（Consolidation）</strong>：将短期记忆转化为长期记忆
+5. <strong>遗忘（Forgetting）</strong>：删除不重要或过时的信息
 
 基于该启发，我们为 HelloAgents 设计了一套完整的记忆系统。其核心思想是模仿人类大脑处理不同类型信息的方式，将记忆划分为多个专门的模块，并建立一套智能化的管理机制。图8.4详细展示了这套系统的工作流程，包括记忆的添加、检索、整合和遗忘等关键环节。
 
@@ -305,13 +305,13 @@ INFO:hello_agents.memory.storage.qdrant_store:✅ 使用现有Qdrant集合: rag_
 
 我们的记忆系统由四种不同类型的记忆模块构成，每种模块都针对特定的应用场景和生命周期进行了优化：
 
-首先是**工作记忆 (Working Memory)**，它扮演着智能体“短期记忆”的角色，主要用于存储当前对话的上下文信息。为确保高速访问和响应，其容量被有意限制（例如，默认50条），并且生命周期与单个会话绑定，会话结束后便会自动清理。
+首先是<strong>工作记忆 (Working Memory)</strong>，它扮演着智能体“短期记忆”的角色，主要用于存储当前对话的上下文信息。为确保高速访问和响应，其容量被有意限制（例如，默认50条），并且生命周期与单个会话绑定，会话结束后便会自动清理。
 
-其次是**情景记忆 (Episodic Memory)**，它负责长期存储具体的交互事件和智能体的学习经历。与工作记忆不同，情景记忆包含了丰富的上下文信息，并支持按时间序列或主题进行回顾式检索，是智能体“复盘”和学习过往经验的基础。
+其次是<strong>情景记忆 (Episodic Memory)</strong>，它负责长期存储具体的交互事件和智能体的学习经历。与工作记忆不同，情景记忆包含了丰富的上下文信息，并支持按时间序列或主题进行回顾式检索，是智能体“复盘”和学习过往经验的基础。
 
-与具体事件相对应的是**语义记忆 (Semantic Memory)**，它存储的是更为抽象的知识、概念和规则。例如，通过对话了解到的用户偏好、需要长期遵守的指令或领域知识点，都适合存放在这里。这部分记忆具有高度的持久性和重要性，是智能体形成“知识体系”和进行关联推理的核心。
+与具体事件相对应的是<strong>语义记忆 (Semantic Memory)</strong>，它存储的是更为抽象的知识、概念和规则。例如，通过对话了解到的用户偏好、需要长期遵守的指令或领域知识点，都适合存放在这里。这部分记忆具有高度的持久性和重要性，是智能体形成“知识体系”和进行关联推理的核心。
 
-最后，为了与日益丰富的多媒体交互，我们引入了**感知记忆 (Perceptual Memory)**。该模块专门处理图像、音频等多模态信息，并支持跨模态检索。其生命周期会根据信息的重要性和可用存储空间进行动态管理。
+最后，为了与日益丰富的多媒体交互，我们引入了<strong>感知记忆 (Perceptual Memory)</strong>。该模块专门处理图像、音频等多模态信息，并支持跨模态检索。其生命周期会根据信息的重要性和可用存储空间进行动态管理。
 
 ### 8.2.2 快速体验：30秒上手记忆功能
 
@@ -386,7 +386,7 @@ def execute(self, action: str, **kwargs) -> str:
     # ... 其他操作
 ````
 
-这种统一的`execute`接口设计简化了Agent的调用方式，通过`action`参数指定具体操作，使用`**kwargs`允许每个操作有不同的参数需求。在这里我们会将比较重要的几个操作罗列出来：
+这种统一的`execute`接口设计简化了Agent的调用方式，通过`action`参数指定具体操作，使用`<strong>kwargs`允许每个操作有不同的参数需求。在这里我们会将比较重要的几个操作罗列出来：
 
 （1）操作1：add
 
@@ -400,7 +400,7 @@ def _add_memory(
     importance: float = 0.5,
     file_path: str = None,
     modality: str = None,
-    **metadata
+    </strong>metadata
 ) -> str:
     """添加记忆"""
     try:
@@ -564,7 +564,7 @@ def _forget(self, strategy: str = "importance_based", threshold: float = 0.1, ma
         return f"❌ 遗忘记忆失败: {str(e)}"
 ````
 
-**三种遗忘策略的使用：**
+<strong>三种遗忘策略的使用：</strong>
 
 ```python
 # 1. 基于重要性的遗忘 - 删除重要性低于阈值的记忆
@@ -604,7 +604,7 @@ def _consolidate(self, from_type: str = "working", to_type: str = "episodic", im
 
 consolidate操作借鉴了神经科学中的记忆固化概念，模拟人类大脑将短期记忆转化为长期记忆的过程。默认设置是将重要性超过0.7的工作记忆转换为情景记忆，这个阈值确保只有真正重要的信息才会被长期保存。整个过程是自动化的，用户无需手动选择具体的记忆，系统会智能地识别符合条件的记忆并执行类型转换。
 
-**记忆整合的使用示例：**
+<strong>记忆整合的使用示例：</strong>
 
 ```python
 # 将重要的工作记忆转为情景记忆
@@ -969,9 +969,9 @@ def _combine_and_rank_results(self, vector_results, graph_results, query, limit)
 
 语义记忆的评分公式为：`(向量相似度 × 0.7 + 图相似度 × 0.3) × (0.8 + 重要性 × 0.4)`。这种设计的核心思想是：
 
-- **向量检索权重（0.7）**：语义相似度是主要因素，确保检索结果与查询语义相关
-- **图检索权重（0.3）**：关系推理作为补充，发现概念间的隐含关联
-- **重要性权重范围[0.8, 1.2]**：避免重要性过度影响相似度排序，保持检索的准确性
+- <strong>向量检索权重（0.7）</strong>：语义相似度是主要因素，确保检索结果与查询语义相关
+- <strong>图检索权重（0.3）</strong>：关系推理作为补充，发现概念间的隐含关联
+- <strong>重要性权重范围[0.8, 1.2]</strong>：避免重要性过度影响相似度排序，保持检索的准确性
 
 （4）感知记忆（PerceptualMemory）
 
@@ -1089,19 +1089,19 @@ def _calculate_recency_score(self, timestamp: str) -> float:
 
 检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了信息检索和文本生成的技术。它的核心思想是：在生成回答之前，先从外部知识库中检索相关信息，然后将检索到的信息作为上下文提供给大语言模型，从而生成更准确、更可靠的回答。
 
-因此，检索增强生成可以拆分为三个词汇。**检索**是指从知识库中查询相关内容；**增强**是将检索结果融入提示词，辅助模型生成；**生成**则输出兼具准确性与透明度的答案。
+因此，检索增强生成可以拆分为三个词汇。<strong>检索</strong>是指从知识库中查询相关内容；<strong>增强</strong>是将检索结果融入提示词，辅助模型生成；<strong>生成</strong>则输出兼具准确性与透明度的答案。
 
 （2）基本工作流程
 
-一个完整的RAG应用流程主要分为两大核心环节。在**数据准备阶段**，系统通过**数据提取**、**文本分割**和**向量化**，将外部知识构建成一个可检索的数据库。随后在**应用阶段**，系统会响应用户的**提问**，从数据库中**检索**相关信息，将其**注入Prompt**，并最终驱动大语言模型**生成答案**。
+一个完整的RAG应用流程主要分为两大核心环节。在<strong>数据准备阶段</strong>，系统通过<strong>数据提取</strong>、<strong>文本分割</strong>和<strong>向量化</strong>，将外部知识构建成一个可检索的数据库。随后在<strong>应用阶段</strong>，系统会响应用户的<strong>提问</strong>，从数据库中<strong>检索</strong>相关信息，将其<strong>注入Prompt</strong>，并最终驱动大语言模型<strong>生成答案</strong>。
 
 （3）发展历程
 
-第一阶段：朴素RAG（Naive RAG, 2020-2021）。这是RAG技术的萌芽阶段，其流程直接而简单，通常被称为“检索-读取”（Retrieve-Read）模式。**检索方式**：主要依赖传统的关键词匹配算法，如`TF-IDF`或`BM25`。这些方法计算词频和文档频率来评估相关性，对字面匹配效果好，但难以理解语义上的相似性。**生成模式**：将检索到的文档内容不加处理地直接拼接到提示词的上下文中，然后送给生成模型。
+第一阶段：朴素RAG（Naive RAG, 2020-2021）。这是RAG技术的萌芽阶段，其流程直接而简单，通常被称为“检索-读取”（Retrieve-Read）模式。<strong>检索方式</strong>：主要依赖传统的关键词匹配算法，如`TF-IDF`或`BM25`。这些方法计算词频和文档频率来评估相关性，对字面匹配效果好，但难以理解语义上的相似性。<strong>生成模式</strong>：将检索到的文档内容不加处理地直接拼接到提示词的上下文中，然后送给生成模型。
 
-第二阶段：高级RAG（Advanced RAG, 2022-2023）。随着向量数据库和文本嵌入技术的成熟，RAG进入了快速发展阶段。研究者和开发者们在“检索”和“生成”的各个环节引入了大量优化技术。**检索方式**：转向基于**稠密嵌入（Dense Embedding）**的语义检索。通过将文本转换为高维向量，模型能够理解和匹配语义上的相似性，而不仅仅是关键词。**生成模式**：引入了很多优化技术，例如查询重写，文档分块，重排序等。
+第二阶段：高级RAG（Advanced RAG, 2022-2023）。随着向量数据库和文本嵌入技术的成熟，RAG进入了快速发展阶段。研究者和开发者们在“检索”和“生成”的各个环节引入了大量优化技术。<strong>检索方式</strong>：转向基于<strong>稠密嵌入（Dense Embedding）</strong>的语义检索。通过将文本转换为高维向量，模型能够理解和匹配语义上的相似性，而不仅仅是关键词。<strong>生成模式</strong>：引入了很多优化技术，例如查询重写，文档分块，重排序等。
 
-第三阶段：模块化RAG（Modular RAG, 2023-至今）。在高级RAG的基础上，现代RAG系统进一步向着模块化、自动化和智能化的方向发展。系统的各个部分被设计成可插拔、可组合的独立模块，以适应更多样化和复杂的应用场景。**检索方式**：如混合检索，多查询扩展，假设性文档嵌入等。**生成模式**：思维链推理，自我反思与修正等。
+第三阶段：模块化RAG（Modular RAG, 2023-至今）。在高级RAG的基础上，现代RAG系统进一步向着模块化、自动化和智能化的方向发展。系统的各个部分被设计成可插拔、可组合的独立模块，以适应更多样化和复杂的应用场景。<strong>检索方式</strong>：如混合检索，多查询扩展，假设性文档嵌入等。<strong>生成模式</strong>：思维链推理，自我反思与修正等。
 
 
 
@@ -1115,8 +1115,8 @@ def _calculate_recency_score(self, timestamp: str) -> float:
 </div>
 
 如图8.5所示，展示了RAG系统的两个主要工作模式：
-1. **数据处理流程**：处理和存储知识文档，在这里我们采取工具`Markitdown`，设计思路是将传入的一切外部知识源统一转化为Markdown格式进行处理。
-2. **查询与生成流程**：根据查询检索相关信息并生成回答。
+1. <strong>数据处理流程</strong>：处理和存储知识文档，在这里我们采取工具`Markitdown`，设计思路是将传入的一切外部知识源统一转化为Markdown格式进行处理。
+2. <strong>查询与生成流程</strong>：根据查询检索相关信息并生成回答。
 
 ### 8.3.3 快速体验：30秒上手RAG功能
 
@@ -1657,17 +1657,17 @@ def search_vectors_expanded(
 
 在实际工作中，我们经常需要处理大量的技术文档、研究论文、产品手册等PDF文件。传统的文档阅读方式效率低下，难以快速定位关键信息，更无法建立知识间的关联。
 
-本案例将基于Datawhale另外一门动手学大模型教程Happy-LLM的公测PDF文档`Happy-LLM-0727.pdf`为例，构建一个**基于Gradio的Web应用**，展示如何使用RAGTool和MemoryTool构建完整的交互式学习助手。PDF可在这个[链接](https://github.com/datawhalechina/happy-llm/releases/download/v1.0.1/Happy-LLM-0727.pdf)获取。
+本案例将基于Datawhale另外一门动手学大模型教程Happy-LLM的公测PDF文档`Happy-LLM-0727.pdf`为例，构建一个<strong>基于Gradio的Web应用</strong>，展示如何使用RAGTool和MemoryTool构建完整的交互式学习助手。PDF可在这个[链接](https://github.com/datawhalechina/happy-llm/releases/download/v1.0.1/Happy-LLM-0727.pdf)获取。
 
 我们希望实现以下功能：
 
-1. **智能文档处理**：使用MarkItDown实现PDF到Markdown的统一转换，基于Markdown结构的智能分块策略，高效的向量化和索引构建
+1. <strong>智能文档处理</strong>：使用MarkItDown实现PDF到Markdown的统一转换，基于Markdown结构的智能分块策略，高效的向量化和索引构建
 
-2. **高级检索问答**：多查询扩展（MQE）提升召回率，假设文档嵌入（HyDE）改善检索精度，上下文感知的智能问答
+2. <strong>高级检索问答</strong>：多查询扩展（MQE）提升召回率，假设文档嵌入（HyDE）改善检索精度，上下文感知的智能问答
 
-3. **多层次记忆管理**：工作记忆管理当前学习任务和上下文，情景记忆记录学习事件和查询历史，语义记忆存储概念知识和理解，感知记忆处理文档特征和多模态信息
+3. <strong>多层次记忆管理</strong>：工作记忆管理当前学习任务和上下文，情景记忆记录学习事件和查询历史，语义记忆存储概念知识和理解，感知记忆处理文档特征和多模态信息
 
-4. **个性化学习支持**：基于学习历史的个性化推荐，记忆整合和选择性遗忘，学习报告生成和进度追踪
+4. <strong>个性化学习支持</strong>：基于学习历史的个性化推荐，记忆整合和选择性遗忘，学习报告生成和进度追踪
 
 为了更清晰地展示整个系统的工作流程，图8.6展示了五个步骤之间的关系和数据流动。五个步骤形成了一个完整的闭环：步骤1将PDF文档处理后的信息记录到记忆系统，步骤2的检索结果也会记录到记忆系统，步骤3展示记忆系统的完整功能（添加、检索、整合、遗忘），步骤4整合RAG和Memory提供智能路由，步骤5收集所有统计信息生成学习报告。
 
@@ -1678,9 +1678,9 @@ def search_vectors_expanded(
 
 接下来，我们将展示如何实现这个Web应用。整个应用分为三个核心部分：
 
-1. **核心助手类（PDFLearningAssistant）**：封装RAGTool和MemoryTool的调用逻辑
-2. **Gradio Web界面**：提供友好的用户交互界面，这个部分可以参考示例代码学习
-3. **其他核心功能**：笔记记录、学习回顾、统计查看和报告生成
+1. <strong>核心助手类（PDFLearningAssistant）</strong>：封装RAGTool和MemoryTool的调用逻辑
+2. <strong>Gradio Web界面</strong>：提供友好的用户交互界面，这个部分可以参考示例代码学习
+3. <strong>其他核心功能</strong>：笔记记录、学习回顾、统计查看和报告生成
 
 ### 8.4.2 核心助手类的实现
 
@@ -1719,13 +1719,13 @@ class PDFLearningAssistant:
 
 在这个初始化过程中，我们做了几个关键的设计决策：
 
-**MemoryTool的初始化**：通过`user_id`参数实现用户级别的记忆隔离。不同用户的学习记忆是完全独立的，每个用户都有自己的工作记忆、情景记忆、语义记忆和感知记忆空间。
+<strong>MemoryTool的初始化</strong>：通过`user_id`参数实现用户级别的记忆隔离。不同用户的学习记忆是完全独立的，每个用户都有自己的工作记忆、情景记忆、语义记忆和感知记忆空间。
 
-**RAGTool的初始化**：通过`rag_namespace`参数实现知识库的命名空间隔离。使用`f"pdf_{user_id}"`作为命名空间，每个用户都有自己独立的PDF知识库。
+<strong>RAGTool的初始化</strong>：通过`rag_namespace`参数实现知识库的命名空间隔离。使用`f"pdf_{user_id}"`作为命名空间，每个用户都有自己独立的PDF知识库。
 
-**会话管理**：`session_id`用于追踪单次学习会话的完整过程，便于后续的学习历程回顾和分析。
+<strong>会话管理</strong>：`session_id`用于追踪单次学习会话的完整过程，便于后续的学习历程回顾和分析。
 
-**统计信息**：`stats`字典记录关键的学习指标，用于生成学习报告。
+<strong>统计信息</strong>：`stats`字典记录关键的学习指标，用于生成学习报告。
 
 （2）加载PDF文档
 
@@ -1793,10 +1793,10 @@ result = self.rag_tool.execute(
 
 这个调用会触发RAGTool的完整处理流程（MarkItDown转换、增强处理、智能分块、向量化存储），这些内部细节在8.3节已经详细介绍过。我们只需要关注：
 
-- **操作类型**：`"add_document"` - 添加文档到知识库
-- **文件路径**：`file_path` - PDF文件的路径
-- **分块参数**：`chunk_size=1000, chunk_overlap=200` - 控制文本分块
-- **返回结果**：包含处理状态和统计信息的字典
+- <strong>操作类型</strong>：`"add_document"` - 添加文档到知识库
+- <strong>文件路径</strong>：`file_path` - PDF文件的路径
+- <strong>分块参数</strong>：`chunk_size=1000, chunk_overlap=200` - 控制文本分块
+- <strong>返回结果</strong>：包含处理状态和统计信息的字典
 
 文档加载成功后，我们使用MemoryTool记录到情景记忆：
 
@@ -1811,7 +1811,7 @@ self.memory_tool.execute(
 )
 ```
 
-**为什么用情景记忆？** 因为这是一个具体的、有时间戳的事件，适合用情景记忆记录。`session_id`参数将这个事件关联到当前学习会话，便于后续回顾学习历程。
+<strong>为什么用情景记忆？</strong> 因为这是一个具体的、有时间戳的事件，适合用情景记忆记录。`session_id`参数将这个事件关联到当前学习会话，便于后续回顾学习历程。
 
 这个记忆记录为后续的个性化服务奠定了基础：
 
@@ -1872,7 +1872,7 @@ def ask(self, question: str, use_advanced_search: bool = True) -> str:
 
 当我们调用`self.rag_tool.execute("ask", ...)`时，RAGTool内部执行了以下高级检索流程：
 
-1. **多查询扩展（MQE）**：
+1. <strong>多查询扩展（MQE）</strong>：
 
    ```python
    # 生成多样化查询
@@ -1885,7 +1885,7 @@ def ask(self, question: str, use_advanced_search: bool = True) -> str:
 
    MQE通过LLM生成语义等价但表述不同的查询，从多个角度理解用户意图，提升召回率30%-50%。
 
-2. **假设文档嵌入（HyDE）**：
+2. <strong>假设文档嵌入（HyDE）</strong>：
 
    - 生成假设答案文档，桥接查询和文档的语义鸿沟
    - 使用假设答案的向量进行检索
@@ -1962,10 +1962,10 @@ def generate_report(self, save_to_file: bool = True) -> Dict[str, Any]:
 
 这些方法分别实现了：
 
-- **add_note**：将学习笔记保存到语义记忆
-- **recall**：从记忆系统中检索学习历程
-- **get_stats**：获取当前会话的统计信息
-- **generate_report**：生成详细的学习报告并保存为JSON文件
+- <strong>add_note</strong>：将学习笔记保存到语义记忆
+- <strong>recall</strong>：从记忆系统中检索学习历程
+- <strong>get_stats</strong>：获取当前会话的统计信息
+- <strong>generate_report</strong>：生成详细的学习报告并保存为JSON文件
 
 ### 8.4.5 运行效果展示
 
@@ -1997,7 +1997,7 @@ def generate_report(self, save_to_file: bool = True) -> Dict[str, Any]:
   <p>图 8.10 问答助手主页面</p>
 </div>
 
-通过这个问答助手的案例，我们展示了如何使用RAGTool和MemoryTool构建一个完整的**基于Web的智能文档问答系统**。完整的代码可以在`code/chapter8/11_Q&A_Assistant.py`中找到。启动后访问 `http://localhost:7860` 即可使用这个智能学习助手。
+通过这个问答助手的案例，我们展示了如何使用RAGTool和MemoryTool构建一个完整的<strong>基于Web的智能文档问答系统</strong>。完整的代码可以在`code/chapter8/11_Q&A_Assistant.py`中找到。启动后访问 `http://localhost:7860` 即可使用这个智能学习助手。
 
 建议读者亲自运行这个案例，体验RAG和Memory的能力，并在此基础上进行扩展和定制，构建符合自己需求的智能应用！