diff --git a/zhangbaojun/answerfinishedpng.png b/zhangbaojun/answerfinishedpng.png
new file mode 100644
index 000000000..24a47e879
Binary files /dev/null and b/zhangbaojun/answerfinishedpng.png differ
diff --git a/zhangbaojun/answerinprogress.png b/zhangbaojun/answerinprogress.png
new file mode 100644
index 000000000..e07800650
Binary files /dev/null and b/zhangbaojun/answerinprogress.png differ
diff --git a/zhangbaojun/question.png b/zhangbaojun/question.png
new file mode 100644
index 000000000..09f5d688b
Binary files /dev/null and b/zhangbaojun/question.png differ
diff --git a/zhangbaojun/reference.png b/zhangbaojun/reference.png
new file mode 100644
index 000000000..8f462936a
Binary files /dev/null and b/zhangbaojun/reference.png differ
diff --git a/zhangbaojun/zhangbaojun.md b/zhangbaojun/zhangbaojun.md
index ba89c53ba..8fdb2f2e4 100644
--- a/zhangbaojun/zhangbaojun.md
+++ b/zhangbaojun/zhangbaojun.md
@@ -1,9 +1,12 @@
一、背景说明：
- 1.1. 本项目为外文文献检索相关demo, 由chatgpt根据几亿外文文献，每一段生成若干英文问题答案对。然后问题和答案对翻译成中文，组成中文问题答案
- 1.2. 对中文问题和英文问题，生成768维向量，插入ES8索引中，其中向量字段类型为："dense_vector“，向量相似度算法为:consine, 应用层使用向量做KNN语义检索。
+ 1.1. 本项目为外文文献检索相关demo, 由chatgpt根据几亿外文文献，每一段生成若干英文问题答案对。
+ 然后问题和答案对翻译成中文，组成中文问题答案
+ 1.2. 对中文问题和英文问题，生成768维向量，插入ES8索引中，其中向量字段类型为："dense_vector“，
+ 向量相似度算法为:consine, 应用层使用向量做KNN语义检索。
1.3. 用户输入问题后，会即时生成问题向量，在ES8中检索语义相似问题，用中文问话就搜索中文问题，用英文问话就搜索英文问题。
- 1.4. 匹配语义最相似5个问题，查出对应答案，组成问题/答案提示，将用户问的问题本身及找到的问题答案对，发给Llama2大模型，由大模型综合这些来自于真实外文文献的问题答案对，生成综合答案，返回给用户，作为基于文献内容的答案。
+ 1.4. 匹配语义最相似5个问题，查出对应答案，组成问题/答案提示，将用户问的问题本身及找到的问题答案对，发给Llama2大模型，
+ 由大模型综合这些来自于真实外文文献的问题答案对，生成综合答案，返回给用户，作为基于文献内容的答案。
1.5. 这样用户会节省阅读外文文献的时间，跨过语言障碍快速了解文献内容。
二、运行环境：
@@ -39,21 +42,26 @@
python3.7 -m uvicorn single-sentence-transformers_multilingual768:app --reload --host 0.0.0.0 --port 8002 --reload
3.2.3 gradio_web_server_api.py
- 根据用户问话的向量从ES8检索(Knn检索,consine相似度），检索出文献问题向量最相似（语义相似）的5条，组成prompt,把用户问题和prompt提供给Llama2大模型，生成答案，由于大模型是以单个字的推理形式生成答案，以流式返回客户端，客户端显示为一个字一个字的反馈答案更新。
- 此脚本需要作为常驻内存Api服务，供应用层调用，输入为用户问题和参考答案组成的Prompt，返回具体答案的流式推理（一个字一个字的更新），让大模型根据文献中查询出来的参考答案回答用户问题。相当于帮助用户理解文献，解决实际问题。
+ 根据用户问话的向量从ES8检索(Knn检索,consine相似度），检索出文献问题向量最相似（语义相似）的5条，
+ 组成prompt,把用户问题和prompt提供给Llama2大模型，生成答案，由于大模型是以单个字的推理形式生成答案，以流式返回客户端，客户端显示为一个字一个字的反馈答案更新。
+ 此脚本需要作为常驻内存Api服务，供应用层调用，输入为用户问题和参考答案组成的Prompt，返回具体答案的流式推理（一个字一个字的更新），
+ 让大模型根据文献中查询出来的参考答案回答用户问题。相当于帮助用户理解文献，解决实际问题。
uvicorn gradio_web_server_api:app --reload --host 0.0.0.0 --port 8007 --timeout-keep-alive 120
3.3. scripts\java 下文件说明：
3.3.1. AIKNNSearchController.java AIKNNSearchService.java
- spring boot 的MVC架构中的controller层，调用service层方法，首先接受前端传过来的用户问题，然后调用single-sentence-transformers_multilingual768.py里面的api接口，即时生成向量，再调用service中ES方法，进行Knn语义向量检索，取出若干语义最相似问题答案对，连同用户从终端界面问的问题，组成prompt作为基于专业文献内容的参考答案，预备给大模型。
+ spring boot 的MVC架构中的controller层，调用service层方法，首先接受前端传过来的用户问题，然后调用single-sentence-transformers_multilingual768.py里面的api接口，
+ 即时生成向量，再调用service中ES方法，进行Knn语义向量检索，取出若干语义最相似问题答案对，连同用户从终端界面问的问题，组成prompt作为基于专业文献内容的参考答案，预备给大模型。
3.3.2. StreamingPythonController.java
- 上述步骤生成的prompt，通过该controller中的逻辑，调用大模型接口(gradio_web_server_api.py),这是Llama2大模型api接口，只有python版本，大模型根据prompt回答最终的用户问题。返回是单个字的连续推理，流式返回到前端，在用户界面上显示为类似chatgpt的逐字显示的形式。
+ 上述步骤生成的prompt，通过该controller中的逻辑，调用大模型接口(gradio_web_server_api.py),这是Llama2大模型api接口，只有python版本，
+ 大模型根据prompt回答最终的用户问题。返回是单个字的连续推理，流式返回到前端，在用户界面上显示为类似chatgpt的逐字显示的形式。
prompt问题模板可以有不同形式，可以严格禁止大模型越过prompt中的参考答案，回答政治敏感问题。也可适度允许大模型结合对prompt内容理解和模型原生的训练语料一同给出一个范围更大的答案。
3.3.3. index.html及js中的文件
- 为用户终端页面的demo，稍加改造，即可用于用户输入问题，调用1中的接口，获取参考答案，组成prompt，再调用StreamingPythonController.java中的接口，用SSE的长连接形式，向大模型发问，大模型流式返答案，由SSE接收，逐字分批显示给用户推理后的答案
+ 为用户终端页面的demo，稍加改造，即可用于用户输入问题，调用1中的接口，获取参考答案，组成prompt，再调用StreamingPythonController.java中的接口，
+ 用SSE的长连接形式，向大模型发问，大模型流式返答案，由SSE接收，逐字分批显示给用户推理后的答案
@@ -95,4 +103,20 @@
}
-五、上述代码均为demo，实际应用基础上做了简化，比如index.html中的用户问题是写在代码中作测试中，实际使用应该有个文本框让用户输入，问题取自输框等。明白原理后，丰富一下逻辑，即可用于实际项目中。
+五、上述代码均为demo，实际应用基础上做了简化，比如index.html中的用户问题是写在代码中作测试中，实际使用应该有个文本框让用户输入，问题取自输框等。
+ 明白原理后，丰富一下逻辑，即可用于实际项目中。
+
+六、效果图片,下面为demo经过产品化开发、测试后，最后生成的正式产品最终效果：
+
+ 开始提问题。。。
+ 
+
+ 大模型返回问题答案过程中。。。
+ 
+
+ 回答完成。。。
+ 
+
+ 点击答案下面的参考文献，即可进入该文献详情页面，供深入研究的用户仔细研讨,用户可在此页获取文献doi，pdf全文，作者、机构等堃详细信息。
+
+ 