diff --git a/app/docs/CommunityShare/RAG/rag.mdx b/app/docs/CommunityShare/RAG/rag.mdx
index 779f102..65b5999 100644
--- a/app/docs/CommunityShare/RAG/rag.mdx
+++ b/app/docs/CommunityShare/RAG/rag.mdx
@@ -6,16 +6,18 @@ tags:
   - tag-one
 ---
 
-# RAG
-
-# 本rag toy demo 合适给不了解rag的人在10分钟内快速弄明白rag的流程
-### 也可以参照 “马克的技术笔记” 配合食用
 # RAG Retrieval-Augmented Generation 增强索引生成
-### 解决的问题：智能问答，构建外部知识库，使大模型更具特化。
-### 需要的工具：大模型，外部知识库，特定文件数据。
-### rag 技术的本质就是（1）搜索特定文件里面的相关信息，然后（2）把这些搜索出来的信息作为补充信息或者上下文信息，然后（3）和用户的提问一起发送给大语言模型并获取答案。
-# RAG流程：
-### 分片-embedding化-存储到向量数据库-用户提问-召回-重排-处理后的数据与用户提问一起打包扔给大语言模型-大语言模型返回答案
+
+- 本rag笔记合适给不了解rag的人在10分钟内快速弄明白rag的流程
+- 也可以参照 “马克的技术笔记” 配合食用
+<br>
+
+- 解决的问题：智能问答，构建外部知识库，使大模型更具特化。
+- 需要的工具：大模型，外部知识库，特定文件数据。
+- rag 技术的本质就是（1）搜索特定文件里面的相关信息，然后（2）把这些搜索出来的信息作为补充信息或者上下文信息，然后（3）和用户的提问一起发送给大语言模型并获取答案。
+
+# RAG流程
+- 分片 -> embedding化 -> 存储到向量数据库 -> 用户提问 -> 召回 -> 重排 -> 处理后的数据与用户提问一起打包扔给大语言模型 -> 大语言模型返回答案
 ## 一．建立自己的小rag
 ### 1.chunking（分片）
 - 把我们的文档切分成特定片段。