diff --git a/deepsearcher/templates/html/index.html b/deepsearcher/templates/html/index.html
index 418fbd8..105fb3f 100644
--- a/deepsearcher/templates/html/index.html
+++ b/deepsearcher/templates/html/index.html
@@ -94,7 +94,13 @@
               />
               启用网络搜索
             </label>
-            <small style="color: var(--text-secondary); display: block; margin-top: 4px;">
+            <small
+              style="
+                color: var(--text-secondary);
+                display: block;
+                margin-top: 4px;
+              "
+            >
               启用后将同时搜索本地文档和网络内容，提供更全面的答案
             </small>
           </div>
@@ -186,7 +192,7 @@
           </div>
         </div>
 
-        <div class="card">
+        <!-- <div class="card">
           <div
             class="query-result markdown-body"
             id="test"
@@ -238,7 +244,7 @@
               下载
             </button>
           </div>
-        </div>
+        </div> -->
       </main>
 
       <footer>
@@ -248,29 +254,29 @@
 
     <script src="../static/js/app.js"></script>
     <script>
-      fetch('../static/data/test.txt').then((res) => {
-        res.text().then((text) => {
-          document.getElementById('test').innerHTML = md.render(text);
-        });
-      });
+      // fetch('../static/data/test.txt').then((res) => {
+      //   res.text().then((text) => {
+      //     document.getElementById('test').innerHTML = md.render(text);
+      //   });
+      // });
 
-      function downloadPdf1() {
-        const element = document.getElementById('test');
+      // function downloadPdf1() {
+      //   const element = document.getElementById('test');
 
-        const opt = {
-          margin: 12,
-          filename: '内容.pdf',
-          image: { type: 'jpeg', quality: 0.98 },
-          enableLinks: true,
-          html2canvas: { scale: 2, logging: true, useCORS: true }, // 提高清晰度
-          jsPDF: { unit: 'mm', format: 'a4', orientation: 'portrait' },
-          pagebreak: {
-            mode: ['avoid-all', 'css', 'legacy']
-          }
-        };
+      //   const opt = {
+      //     margin: 12,
+      //     filename: '内容.pdf',
+      //     image: { type: 'jpeg', quality: 0.98 },
+      //     enableLinks: true,
+      //     html2canvas: { scale: 2, logging: true, useCORS: true }, // 提高清晰度
+      //     jsPDF: { unit: 'mm', format: 'a4', orientation: 'portrait' },
+      //     pagebreak: {
+      //       mode: ['avoid-all', 'css', 'legacy']
+      //     }
+      //   };
 
-        html2pdf().set(opt).from(element).save();
-      }
+      //   html2pdf().set(opt).from(element).save();
+      // }
 
       function changeTheme(url) {
         document.getElementById('md-theme').setAttribute('href', url);
diff --git a/deepsearcher/templates/static/data/test.txt b/deepsearcher/templates/static/data/test.txt
index c04cde1..f32fe17 100644
--- a/deepsearcher/templates/static/data/test.txt
+++ b/deepsearcher/templates/static/data/test.txt
@@ -1,115 +1,97 @@
-# Milvus向量数据库研究报告
+## 一、Milvus 的基本定位与核心功能
 
-## 一、核心功能与特性
+Milvus 是由 Zilliz 开发的高性能、高扩展性开源向量数据库系统，现已成为 Linux 基金会 LF AI & Data 基金会下领先的开源项目之一 [^1]。其核心定位是解决非结构化数据（文本、图像、音频等）的高效存储与检索问题，通过将非结构化数据转换为嵌入向量（Embeddings），
+实现快速、可扩展的相似性搜索。
 
-Milvus是一款开源高性能向量数据库，专为处理大规模高维向量数据设计，支持非结构化数据（如文本、图像、音频）的高效相似性搜索。其核心功能包括：
+**核心功能特性**：
 
-1. **多模态数据建模**：通过Embedding技术将非结构化数据转换为向量后存储，支持稀疏向量、二进制向量、JSON数组等多种数据类型[^1]。
-2. **灵活部署模式**：提供三种部署方案以适应不同场景需求：
-   - **Milvus Lite**：轻量级Python库，适用于本地原型开发或边缘设备[^1]。
-   - **Milvus Standalone**：单机版，适合中小规模应用[^1]。
-   - **Milvus Distributed**：云原生分布式架构，支持十亿级甚至万亿级向量数据存储与查询[^1]。
-3. **高性能优化**：
-   - **硬件感知设计**：针对AVX512、SIMD、GPU和NVMe SSD进行底层代码优化，结合C++搜索引擎实现低延迟、高吞吐量[^1]。
-   - **面向列存储**：仅读取查询涉及的字段，减少I/O开销，并支持向量化操作提升效率[^1]。
-4. **高级搜索能力**：支持IVF、HNSW、DiskANN等主流索引算法，并集成元数据过滤、范围搜索及混合搜索（向量+关键词）[^1][^2]。
+1. **多模态数据处理**：支持向量数据、稀疏向量、JSON、数组等多种数据类型，能够处理文本、图像、音频等非结构化数据 [^1]
+2. **全场景部署能力**：提供三种部署模式——
+   - **Milvus Lite**：轻量级Python库，适用于Jupyter Notebook原型设计及边缘设备
+   - **Milvus Standalone**：单机版Docker部署，适合中小规模场景
+   - **Milvus Distributed**：云原生Kubernetes集群部署，支持百亿级向量管理 [^1]
+3. **丰富搜索功能**：包含ANN近似最近邻搜索、过滤搜索、范围搜索、混合搜索、全文搜索（BM25）等八种搜索类型 [^1]
 
-## 二、技术架构设计原理
+## 二、Milvus 在向量数据库领域的核心优势
 
-Milvus采用**计算与存储分离的分布式架构**，通过模块化设计实现高可扩展性[^1][^4]：
+### （一）性能优势
 
-### 1. 架构层级
+1. **硬件感知优化**：针对AVX512/SIMD/GPU/NVMe SSD等硬件进行深度优化，使性能较同类系统提升2-5倍 [^1]
+2. **算法创新**：集成IVF、HNSW、DiskANN等先进索引算法，相比FAISS/HNSWLib性能提升30%-70% [^1]
+3. **C++引擎**：采用面向列的C++搜索引擎，通过汇编级优化和多线程调度实现底层性能突破 [^1]
 
-- **访问层**：通过无状态Proxy接收请求，实现负载均衡和结果聚合[^4]。
-- **协调服务**：由RootCoord、DataCoord、QueryCoord等组件管理集群拓扑、分片分配和全局一致性[^4]。
-- **工作节点**：
-  - **QueryNode**：执行近似最近邻（ANN）搜索，支持增量段（Growing Segments）和历史段（Sealed Segments）并行处理[^4]。
-  - **IndexNode**：构建和维护索引，支持SIMD和GPU加速[^4]。
-- **存储层**：
-  - **日志代理**：通过Kafka/Pulsar持久化增量数据[^1]。
-  - **对象存储**：使用S3/MinIO存储索引和元数据快照，支持热/冷数据分层[^4]。
+### （二）架构优势
 
-### 2. 关键技术
+1. **完全无状态设计**：支持通过Kubernetes或公有云实现弹性扩展，查询节点/数据节点/索引节点可独立伸缩 [^1]
+2. **模块化架构**：将搜索、数据插入、索引构建等关键流程解耦，实现计算资源按需分配 [^1]
+3. **成本效率**：通过分层存储（热/冷数据分离）、存储格式V2等技术降低存储成本 [^2]
 
-- **动态段管理**：数据分为实时更新的增量段和批量索引的历史段，优化写入与查询性能[^4]。
-- **硬件加速**：支持NVIDIA CAGRA GPU索引和SIMD指令集优化，显著降低计算时延[^1][^7]。
-- **弹性扩展**：通过Kubernetes实现横向扩展，支持自动分片和负载均衡[^1]。
+### （三）生态优势
 
-## 三、行业典型应用场景
+1. **多语言SDK**：提供Python、Go、Java、Node.js等官方SDK，以及微软提供的C# SDK [^1]
+2. **开放社区**：Apache 2.0协议开源，吸引ARM、NVIDIA、阿里巴巴等企业贡献者参与 [^1]
+3. **持续创新**：路线图显示将在Milvus 3.0版本引入向量湖、Logstore组件等创新特性 [^2]
 
-Milvus已被广泛应用于以下领域：
+## 三、Milvus 系统架构解析
 
-### 1. **智能搜索引擎与推荐系统**
+### （一）核心架构组成
 
-   - **案例**：电商场景中，用户输入“适合夏天的轻薄西装”时，系统通过语义向量匹配商品特征，返回风格相近的商品[^3]。
-   - **优势**：结合元数据过滤（如价格、类别），在数十亿级商品库中实现毫秒级召回[^5]。
+![Milvus 高度解耦架构](https://milvus.io/docs/v2.6.x/assets/milvus_architecture_2_6.png) [^1]
 
-### 2. **多媒体内容检索**
+1. **Query Nodes**：处理搜索请求，支持并行计算
+2. **Data Nodes**：负责数据持久化和缓存管理
+3. **Index Nodes**：专责索引构建与维护
+4. **Coordination Services**：实现元数据管理和负载均衡
 
-   - **图像/视频搜索**：公安系统利用人脸比对技术，通过向量检索快速定位嫌疑人；版权公司检测视频侵权内容[^3]。
-   - **音频识别**：音乐平台通过指纹匹配技术实现歌曲推荐[^3]。
+### （二）工作原理
 
-### 3. **知识密集型AI应用**
+1. **写入流程**：数据经特征提取后形成向量，通过Proxies写入Data Nodes，触发异步索引构建 [^1]
+2. **查询流程**：Query Node接收请求后，基于路由表分发任务到相关Data/Index Nodes，结果聚合返回 [^1]
+3. **扩展机制**：通过Kubernetes自动扩缩容组件实例，实现计算资源动态调整 [^1]
 
-   - **RAG（检索增强生成）**：在医疗问答系统中，用户提问被编码为向量，通过Milvus检索医学文献片段，辅助大模型生成答案[^3]。
-   - **金融风控**：基于交易行为向量分析，识别异常模式并预警欺诈风险[^3]。
+## 四、典型应用场景与行业实践
 
-### 4. **物联网与知识图谱**
+### （一）主要应用领域
 
-   - **实体链接**：某金融科技公司通过Milvus将客户查询中的实体（如人名、地点）转化为向量，实现跨系统数据关联，匹配时间缩短30%[^3]。
+1. **AI推荐系统**：基于用户行为向量的实时个性化推荐
+2. **图像/视频检索**：CV模型输出特征向量的亿级图像库检索
+3. **语义搜索**：NLP模型生成的文本向量匹配
+4. **生物特征识别**：指纹、人脸识别系统的特征向量比对
 
-## 四、性能指标与基准测试
+### （二）行业落地案例
 
-Milvus在性能测试中表现优异，尤其在大规模数据集上具备显著优势：
+1. **电商领域**：Shopee/Airbnb利用Milvus构建商品/房源智能推荐系统
+2. **金融科技**：PayPal采用Milvus进行反欺诈交易模式分析
+3. **社交媒体**：ROBLOX运用Milvus处理用户行为向量数据
+4. **企业服务**：Salesforce/IBM通过Milvus增强CRM系统的语义理解能力 [^1]
 
-1. **基准测试结果**：
-   - 在VectorDBBench测试中，Milvus的QPS（每秒查询数）和Recall（召回率）均优于FAISS、HNSWLib等竞品，延迟中位数达2.4ms[^5]。
-   - 支持百亿级向量数据存储，且扩展性随节点增加线性提升[^1]。
-2. **性能优化策略**：
-   - **索引选择**：HNSW适合高精度场景（如生物识别），IVF适用于中等规模数据，DiskANN则降低内存占用但需权衡延迟[^5]。
-   - **参数调优**：调整nprobe（IVF索引搜索簇数）、efConstruction（HNSW索引构建参数）等参数可平衡精度与速度[^5]。
-   - **硬件适配**：启用GPU加速可提升大规模搜索效率，例如在128维向量场景下QPS可达数百万次[^7]。
+## 五、与主流产品的性能对比分析
 
-## 五、差异化优势与竞品对比
+### （一）横向对比维度
 
-| 特性           | Milvus                            | Pinecone                     | Weaviate               | Qdrant                     |
-| -------------- | --------------------------------- | ---------------------------- | ---------------------- | -------------------------- |
-| **开源性**     | Apache 2.0许可，社区活跃          | 闭源，仅云服务               | 开源                   | 开源                       |
-| **索引多样性** | 11种索引（如HNSW、IVF、DiskANN）  | 专有算法，不公开             | 主要依赖HNSW           | HNSW为主，逐步支持混合搜索 |
-| **部署灵活性** | 本地、单机、分布式、云服务        | 仅云服务                     | 本地/云服务            | 单机/云服务                |
-| **生态兼容性** | 集成LangChain、LlamaIndex等AI框架 | 封闭生态                     | 支持GraphQL接口        | 支持REST/gRPC              |
-| **企业级功能** | 支持多租户、热/冷存储、高可用     | 提供托管服务但缺乏自定义能力 | 无中心化架构，易用性强 | 轻量级，适合中小规模应用   |
+| 对比维度     | Milvus                           | Pinecone       | FAISS          |
+| ------------ | -------------------------------- | -------------- | -------------- |
+| **部署模式** | 多种部署选项（本地/云原生）[^1]  | SaaS平台为主   | 仅支持本地部署 |
+| **数据类型** | 支持稀疏向量/JSON/地理坐标等[^1] | 仅支持密集向量 | 仅支持密集向量 |
+| **性能指标** | 吞吐量达其他产品2-5倍[^1]        | 实时延迟<1ms   | 取决于硬件配置 |
+| **扩展能力** | 百亿级向量扩展[^1]               | 有限水平扩展   | 无分布式支持   |
 
-### 核心竞争力分析
+### （二）基准测试表现
 
-1. **多索引支持**：Milvus是少数实现DiskANN的向量数据库，覆盖从高精度到低成本的多样需求[^2]。
-2. **云原生设计**：通过计算存储分离架构，允许独立扩展计算和存储资源，满足企业级大规模部署需求[^1]。
-3. **硬件深度优化**：针对CPU/GPU/NVMe SSD进行定制化代码优化，性能领先开源竞品[^1]。
-4. **全生命周期管理**：提供从数据导入、索引构建到查询优化的全流程API，且支持自动化调参（如动态调整索引参数）[^7]。
+根据VectorDBBench测试结果[^3]：
 
-## 六、挑战与优化方向
+- **QPS吞吐量**：Milvus在10亿向量规模下达到28,000 QPS，领先Pinecone 40%
+- **响应延迟**：Top-K搜索平均延迟低于8ms，较FAISS优化35%
+- **资源利用率**：内存占用减少50%，CPU利用率提升至95%
 
-尽管Milvus优势显著，但仍需注意以下挑战：
+## 六、未来发展趋势
 
-1. **复杂部署**：分布式架构对运维要求较高，需配置etcd、Kafka等组件[^1]。
-2. **冷启动成本**：索引构建（如HNSW）耗时较长，可能影响新数据的即时查询性能[^8]。
-   **优化建议**：
+1. **AI增强型架构**：Milvus 3.0将引入人工智能驱动的非结构化数据处理能力，包括自动生成Reranker评分函数[^2]
+2. **跨模态融合**：支持向量列表、日期时间、GIS等新型数据类型，拓展时空数据应用场景[^2]
+3. **生态扩展**：计划推出Spark连接器与Iceberg集成，构建向量湖解决方案[^2]
 
-- **分层存储**：将高频数据存于内存/SSD，冷数据迁移至磁盘，降低成本[^1]。
-- **混合索引**：结合HNSW（高精度）与IVF-PQ（低存储）提升性价比[^4]。
-- **监控体系**：通过Prometheus+Grafana实时跟踪CPU、IOPS等指标，及时发现瓶颈（如QueryNode过载）[^8]。
-
-## 七、总结与选型建议
-
-Milvus凭借其**开源透明性、多索引灵活性**及**企业级扩展能力**，成为处理大规模向量数据的首选。对于需快速迭代的初创团队，可选择Milvus Lite或Zilliz Cloud托管服务；而企业级用户则可通过分布式架构应对PB级数据挑战。相比之下，Pinecone虽提供开箱即用体验，但闭源特性限制了定制化需求[^5]。未来，Milvus的多模态融合（如文本+图像联合检索）和更高效的磁盘索引算法将进一步巩固其市场地位[^9]。
-
-[^1]: [/file/%2Fmnt%2Fc%2Fworkspace%2Fdocs%2Fintro_docs%2Fwhat_is_milvus.md](/file/%2Fmnt%2Fc%2Fworkspace%2Fdocs%2Fintro_docs%2Fwhat_is_milvus.md)
-[^2]: [/file/%2Fmnt%2Fc%2Fworkspace%2Fdocs%2Fintro_docs%2Fmilvus_and_others.md](/file/%2Fmnt%2Fc%2Fworkspace%2Fdocs%2Fintro_docs%2Fmilvus_and_others.md)
-[^3]: https://cloud.tencent.com/developer/article/2538386
-[^4]: https://blog.csdn.net/weixin_53933896/article/details/147855500
-[^5]: https://juejin.cn/post/7502352683375673382
-[^6]: https://www.cnblogs.com/xfuture/p/18308851
-[^7]: https://helloreader.blog.csdn.net/article/details/141892755
-[^8]: https://cloud.tencent.com/developer/article/2437663
-[^9]: https://dis.qidao123.com/thread-65170-1-1.html
+该报告综合展示了Milvus作为新一代向量数据库的技术特征与产业价值，其在性能、扩展性和生态建设方面的突破，正在重塑人工智能时代的数据管理范式。
 
+[^1]: Milvus 官方介绍文档
+[^2]: Milvus 路线图规划
+[^3]: VectorDBBench 测试基准
\ No newline at end of file
diff --git a/deepsearcher/templates/static/themes/github.css b/deepsearcher/templates/static/themes/github.css
index 24ae5fd..2afb6f3 100644
--- a/deepsearcher/templates/static/themes/github.css
+++ b/deepsearcher/templates/static/themes/github.css
@@ -249,6 +249,13 @@ body {
 .markdown-body thead {
   background-color: #f8f8f8;
 }
+
+.markdown-body img {
+  border-style: none;
+  max-width: 100%;
+  box-sizing: content-box;
+  background-color: #ffffff;
+}
 .markdown-body table th {
   font-weight: bold;
   border: 1px solid #dfe2e5;
diff --git a/deepsearcher/templates/static/themes/latex.css b/deepsearcher/templates/static/themes/latex.css
index 73f2dc6..74f4397 100644
--- a/deepsearcher/templates/static/themes/latex.css
+++ b/deepsearcher/templates/static/themes/latex.css
@@ -65,7 +65,7 @@
   --base-line-height: 1.618em;
   /* == 页面设置 == */
   /* 打印页边距 */
-  --set-margin: 1.8cm 2cm 1.2cm 2cm !important;
+  /* --set-margin: 1.8cm 2cm 1.2cm 2cm !important; */
   /* == 控制设置 == */
   /* 目录中是否显示一级标题 */
   --toc-show-title: none;
@@ -135,15 +135,6 @@
   font-weight: var(--strong-weight);
 }
 
-@media screen {
-  .markdown-body {
-    padding: var(--set-margin);
-    /* 添加一个淡蓝色的边框 */
-    /* border: 0.8px solid #AAC ; */
-    /* 页边阴影 */
-    box-shadow: 0 0 24px 12px #cccccc;
-  }
-}
 .markdown-body .MathJax {
   font-size: var(--math-font-size);
 }
@@ -243,7 +234,7 @@
   font-weight: bold;
   break-after: avoid-page !important;
 }
-.markdown-body .markdown-body h1 {
+.markdown-body h1 {
   font-family: var(--heading-Latin-font), var(--title-Chinese-font), serif;
   text-align: center;
   column-span: all;
@@ -289,7 +280,7 @@
 .markdown-body h5 {
   counter-set: heading-h6 0;
 }
-.markdown-body h2:before,
+/* .markdown-body h2:before,
 h2.md-focus.md-heading:before {
   content: counter(heading-h2);
   counter-increment: heading-h2;
@@ -301,9 +292,9 @@ h3.md-focus.md-heading:before {
   content: counter(heading-h2) '.' counter(heading-h3);
   counter-increment: heading-h3;
   margin-right: 1.2em;
-}
+} */
 
-.markdown-body h4:before,
+/* .markdown-body h4:before,
 h4.md-focus.md-heading:before {
   content: counter(heading-h2) '.' counter(heading-h3) '.' counter(heading-h4);
   counter-increment: heading-h4;
@@ -324,7 +315,7 @@ h6.md-focus.md-heading:before {
     '.' counter(heading-h5) '.' counter(heading-h6);
   counter-increment: heading-h6;
   margin-right: 1.2em;
-}
+} */
 
 /* 参考文献（脚注）块，在 Typora 中的样式 */
 .markdown-body .md-def-footnote {
@@ -424,8 +415,9 @@ h6.md-focus.md-heading:before {
   background: transparent;
   color: inherit;
 }
-.markdown-body sup.md-footnote a {
+.markdown-body sup.footnote-ref a {
   color: inherit !important;
+  text-decoration: none;
 }
 .markdown-body sup.md-footnote:not(.md-expand) {
   margin-inline: -0.44em;
@@ -675,19 +667,19 @@ h6.md-focus.md-heading:before {
 .markdown-body .md-toc-content .md-toc-h5 {
   counter-set: toc-h6 0;
 }
-.markdown-body .md-toc-content .md-toc-h2:before {
+/* .markdown-body .md-toc-content .md-toc-h2:before {
   counter-increment: toc-h2;
   content: counter(toc-h2);
   margin-right: 1em;
   font-weight: var(--strong-weight);
-}
-.markdown-body .md-toc-content .md-toc-h3:before {
+} */
+/* .markdown-body .md-toc-content .md-toc-h3:before {
   counter-increment: toc-h3;
   content: counter(toc-h2) '.' counter(toc-h3);
   margin-left: 1.5em;
   margin-right: 0.5em;
-}
-.markdown-body .md-toc-content .md-toc-h4:before {
+} */
+/* .markdown-body .md-toc-content .md-toc-h4:before {
   counter-increment: toc-h4;
   content: counter(toc-h2) '.' counter(toc-h3) '.' counter(toc-h4);
   margin-left: 3.5em;
@@ -706,7 +698,7 @@ h6.md-focus.md-heading:before {
     counter(toc-h5) '.' counter(toc-h6);
   margin-left: 7.5em;
   margin-right: 0.5em;
-}
+} */
 
 .markdown-body img {
   border-style: none;
diff --git a/deepsearcher/templates/static/themes/newsprint.css b/deepsearcher/templates/static/themes/newsprint.css
index 6820440..19ff856 100644
--- a/deepsearcher/templates/static/themes/newsprint.css
+++ b/deepsearcher/templates/static/themes/newsprint.css
@@ -187,6 +187,13 @@
   text-decoration: none;
   color: #065588;
 }
+
+.markdown-body img {
+  border-style: none;
+  max-width: 100%;
+  box-sizing: content-box;
+  background-color: #ffffff;
+}
 .markdown-body a:hover,
 .markdown-body a:active {
   text-decoration: underline;
diff --git a/deepsearcher/templates/static/themes/pixyll.css b/deepsearcher/templates/static/themes/pixyll.css
index 9a85154..50bee27 100644
--- a/deepsearcher/templates/static/themes/pixyll.css
+++ b/deepsearcher/templates/static/themes/pixyll.css
@@ -410,6 +410,13 @@ p,
   display: none;
 }
 
+.markdown-body img {
+  border-style: none;
+  max-width: 100%;
+  box-sizing: content-box;
+  background-color: #ffffff;
+}
+
 .markdown-body .md-task-list-item > input {
   width: 1.25rem;
   height: 1.25rem;
diff --git a/deepsearcher/templates/static/themes/whitey.css b/deepsearcher/templates/static/themes/whitey.css
index a6b7fc4..66f0863 100644
--- a/deepsearcher/templates/static/themes/whitey.css
+++ b/deepsearcher/templates/static/themes/whitey.css
@@ -304,3 +304,10 @@
 .markdown-body .footnotes .footnote-item .footnote-backref {
   display: none;
 }
+
+.markdown-body img {
+  border-style: none;
+  max-width: 100%;
+  box-sizing: content-box;
+  background-color: #ffffff;
+}