diff --git a/m06_rag_basics/README.md b/m06_rag_basics/README.md
index 1534b2d..acf0068 100644
--- a/m06_rag_basics/README.md
+++ b/m06_rag_basics/README.md
@@ -5,7 +5,7 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 
 ---
 
-### 1. `load_and_split.py`（文本加载与分块）
+### 1. `s01_load_and_split.py`（文本加载与分块）
 加载本地 `.txt` 文档，并使用 `RecursiveCharacterTextSplitter` 将其智能分割成“知识卡片”。
 
 ✅ **掌握点**：
@@ -25,7 +25,18 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 
 ---
 
-### 3. `build_index.py`（向量存储与索引构建）
+### 3. `s02_embedding.py`（文本向量化）
+演示如何加载本地 Embedding 模型，并将任意文本（知识卡片）转换为"语义向量"。
+
+✅ **掌握点**：
+- 使用 HuggingFaceEmbeddings 加载开源本地模型（如 BAAI/bge-small-zh-v1.5）。
+- 理解 Embedding（向量化）是 RAG 的"语义标签"，用于实现"语义搜索"。
+- 如何调用 embed_query 将文本转换为向量（一串数字）。
+
+
+---
+
+### 4. `s03_build_index.py`（向量存储与索引构建）
 使用 FAISS 向量索引库将向量化后的文本片段构建为可检索的向量数据库，并持久化到本地。
 
 ✅ **掌握点**：
@@ -35,7 +46,7 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 
 ---
 
-### 4. `rag_chain_full.py`（LCEL 完整 RAG 链）
+### 5. `s04_rag_chain_full.py`（LCEL 完整 RAG 链）
 使用 LCEL（LangChain 表达式语言）“手动组装”一个完整的 RAG 流程，实现“检索-增强-生成”的闭环。
 
 ✅ **掌握点**：
diff --git a/m06_rag_basics/load_and_split.py b/m06_rag_basics/s01_load_and_split.py
similarity index 99%
rename from m06_rag_basics/load_and_split.py
rename to m06_rag_basics/s01_load_and_split.py
index c6b7159..fbfd93c 100644
--- a/m06_rag_basics/load_and_split.py
+++ b/m06_rag_basics/s01_load_and_split.py
@@ -1,3 +1,4 @@
+import config
 import os
 from langchain_community.document_loaders import TextLoader # 加载
 from langchain_text_splitters import RecursiveCharacterTextSplitter # 分割
diff --git a/m06_rag_basics/embedding.py b/m06_rag_basics/s02_embedding.py
similarity index 88%
rename from m06_rag_basics/embedding.py
rename to m06_rag_basics/s02_embedding.py
index f0dae25..06152bf 100644
--- a/m06_rag_basics/embedding.py
+++ b/m06_rag_basics/s02_embedding.py
@@ -1,3 +1,4 @@
+import config
 from embeddings import get_embeddings
 
 
@@ -5,7 +6,7 @@ from embeddings import get_embeddings
 print('---正在加载本地嵌入模型(bge-small-zh-v1.5)...---')
 
 # 理论：有embedding的向量模型
-embeddings_model = get_embeddings("bge-small-zh-v1.5")
+embeddings_model = get_embeddings("BAAI/bge-small-zh-v1.5")
 print('嵌入模型载入完毕')
 
 # 演示：将文本转换为向量
diff --git a/m06_rag_basics/build_index.py b/m06_rag_basics/s03_build_index.py
similarity index 99%
rename from m06_rag_basics/build_index.py
rename to m06_rag_basics/s03_build_index.py
index 65c1310..16ca709 100644
--- a/m06_rag_basics/build_index.py
+++ b/m06_rag_basics/s03_build_index.py
@@ -1,5 +1,6 @@
 # 仅负责: 切片 -> 向量化 -> 构建索引 -> 保存到磁盘
 # 运行一次即可，无需每次检索都运行
+import config
 from embeddings import get_embeddings
 import os
 from langchain_community.document_loaders import TextLoader
diff --git a/m06_rag_basics/rag_chain_full.py b/m06_rag_basics/s04_rag_chain_full.py
similarity index 98%
rename from m06_rag_basics/rag_chain_full.py
rename to m06_rag_basics/s04_rag_chain_full.py
index 24abdc9..0ab84c4 100644
--- a/m06_rag_basics/rag_chain_full.py
+++ b/m06_rag_basics/s04_rag_chain_full.py
@@ -9,6 +9,7 @@ from langchain_core.prompts import ChatPromptTemplate
 from langchain_core.output_parsers import StrOutputParser
 from langchain_core.runnables import RunnablePassthrough
 
+
 # --- 模块A (离线操作) ---
 # 1. 加载&分割 2. 向量化 3. 存储
 KNOWLEDGE_BASE_CONTENT = """
@@ -39,7 +40,7 @@ loader = TextLoader('knowledge_base.txt',encoding='utf8')
 docs = loader.load()
 text_splitter = RecursiveCharacterTextSplitter(chunk_size=250,chunk_overlap=40)
 splits = text_splitter.split_documents(docs)
-embedding_model = get_embeddings("bge-small-zh-v1.5")
+embedding_model = get_embeddings("BAAI/bge-small-zh-v1.5")
 db = FAISS.from_documents(splits,embedding_model) # 在内存中构建向量索引，但不持久化到本地文件
 print('---模块A(Indexing)完成---\n')