Simplify card descriptions to avoid redundancy with meta rows

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

Author: Mingyue-Cheng

index.html

@@ -284,7 +284,7 @@ <h2>研究方向</h2>
           <span class="card-tag tag-training">Agent Training Framework</span>
           <h3>Agent 训练框架</h3>
           <p class="card-desc">
-            面向 LLM Agent 的强化学习训练基础设施。Agent-R1 将 MDP 框架延伸至多轮工具调用场景，构建端到端 RL 训练框架；Claw-R1 进一步将真实 Agent Runtime 与 RLVR 深度结合，实现「部署即训练」的新范式。
+            面向 LLM Agent 的强化学习训练工具套件。
           </p>
           <div class="card-meta">
             <div class="meta-row">
@@ -315,7 +315,7 @@ <h3>Agent 训练框架</h3>
           <span class="card-tag tag-runtime">Agent Runtime Framework</span>
           <h3>Agent 推理框架</h3>
           <p class="card-desc">
-            LLM Agent 推理与运行基础设施：Science-Star 以 ReAct 引擎驱动单/多智能体科学任务，在 HLE / GAIA 等权威基准上取得领先结果。
+            面向复杂科学任务的 LLM Agent 推理与运行基础设施。
           </p>
           <div class="card-meta">
             <div class="meta-row">
@@ -345,7 +345,7 @@ <h3>Agent 推理框架</h3>
           <span class="card-tag tag-rag">Agentic RAG</span>
           <h3>Agentic RAG</h3>
           <p class="card-desc">
-            在检索增强生成（RAG）方向上的系列工作：在 KDD Cup 2024 CRAG 竞赛中获得银牌（Task 2&3 第二名）；提出 Multi-Source Knowledge Pruning 方法（中稿 CIKM 2025）；Mind2Report 以无训练工作流从海量网络信息合成专家级商业报告，配套 QRC-Eval 评测。
+            检索增强生成（RAG）与 Deep Research 方向的系列工作。
           </p>
           <div class="card-meta">
             <div class="meta-row">
@@ -375,7 +375,7 @@ <h3>Agentic RAG</h3>
           <span class="card-tag tag-apps">Agent Applications</span>
           <h3>Agent 应用</h3>
           <p class="card-desc">
-            将 Agentic 方法落地于实际应用场景的三项研究工作：Cast-R1 探索时间序列预测中的工具增强顺序决策；TableMind++ 构建不确定性感知的表格推理 Programmatic Agent；PaperScout 实现面向学术文献检索的自主 Agent。
+            将 Agentic 方法落地于时序预测、表格推理、学术检索等实际场景的系列工作。
           </p>
           <div class="card-meta">
             <div class="meta-row">