Make site reader-focused and add download links

Author: kylening

README.md

@@ -1,22 +1,26 @@
 # LLM Learning Notes
 
-个人语言模型与后训练学习笔记，使用 MkDocs Material 构建并发布到 GitHub Pages。
+语言模型、强化学习与后训练学习笔记。正文保留 Markdown 原稿，数学公式使用 LaTeX 编写。
 
-## 本地预览
+## 在线阅读
 
-```bash
-python3 -m venv .venv
-source .venv/bin/activate
-python -m pip install -r requirements.txt
-mkdocs serve
-```
+- [LLM 学习笔记](https://kaining-never-stop.github.io/llm-learning-notes/)
+
+## 已收录
+
+### 后训练
 
-浏览器打开 <http://127.0.0.1:8000>。
+- [在分布视角下理解语言模型后训练](https://kaining-never-stop.github.io/llm-learning-notes/post-training/distributional-view/)
 
-## 添加新文章
+  从自回归序列分布和概率树出发，梳理 SFT、RL、On-Policy Distillation 的训练对象、更新信号，以及它们在泛化与灾难性遗忘上的差异。
 
-1. 将 Markdown 文件放入 `docs/` 下合适的主题目录；
-2. 在 `mkdocs.yml` 的 `nav` 中加入文章；
-3. 本地执行 `mkdocs serve` 检查；
-4. 提交并推送到 `main`，GitHub Actions 会自动发布。
+## 获取笔记
 
+- [下载全部笔记（ZIP）](https://github.com/kaining-never-stop/llm-learning-notes/archive/refs/heads/main.zip)
+- [查看 Markdown 原文](docs/)
+
+也可以克隆仓库，后续通过 `git pull` 获取更新：
+
+```bash
+git clone https://github.com/kaining-never-stop/llm-learning-notes.git
+```

docs/download.md

@@ -0,0 +1,31 @@
+# 获取笔记
+
+## 下载完整内容
+
+不使用 Git 时，可以直接下载压缩包：
+
+- [下载 `main` 分支 ZIP](https://github.com/kaining-never-stop/llm-learning-notes/archive/refs/heads/main.zip)
+
+解压后，Markdown 原文位于 `docs/` 目录，图片等资源也会保留原有相对路径。
+
+如果希望以后继续获取更新，可以克隆仓库：
+
+```bash
+git clone https://github.com/kaining-never-stop/llm-learning-notes.git
+```
+
+仓库更新后，在该目录执行：
+
+```bash
+git pull
+```
+
+## 下载单篇文章
+
+### 在分布视角下理解语言模型后训练
+
+- [在线阅读](post-training/distributional-view.md)
+- [查看 GitHub 中的 Markdown 文件](https://github.com/kaining-never-stop/llm-learning-notes/blob/main/docs/post-training/distributional-view.md)
+- [打开 Markdown 原文](https://raw.githubusercontent.com/kaining-never-stop/llm-learning-notes/main/docs/post-training/distributional-view.md)
+
+打开原文后，可以使用浏览器的“保存页面”功能保存为 `.md` 文件。

docs/index.md

@@ -1,26 +1,24 @@
 # LLM 学习笔记
 
-这里用于持续整理语言模型、强化学习与后训练相关的学习笔记。
+这里收录语言模型、强化学习与后训练相关的学习笔记。内容以 Markdown 保存，公式使用 LaTeX 编写，可以在线阅读，也可以下载原文。
 
-笔记尽量遵循三个原则：
+## 已收录
 
-- 从底层原理出发，而不是只记录结论；
-- 使用数学公式明确对象之间的关系；
-- 区分个人理解、作者观点与已经验证的结论。
+### 在分布视角下理解语言模型后训练
 
-## 当前内容
+从“语言模型是一个序列分布”出发，将生成过程展开成自回归概率树，并在同一视角下比较：
 
-### 后训练
+- SFT 如何沿外部示范路径提高 Token 概率；
+- RL 如何从当前策略采样，并根据 Reward 调整路径概率；
+- OPD 如何在 Student 访问的状态上学习 Teacher 分布；
+- On-Policy Data 为什么可能减少遗忘并改善泛化。
 
-- [在分布视角下理解语言模型后训练](post-training/distributional-view.md)
+[阅读文章](post-training/distributional-view.md){ .md-button .md-button--primary }
 
-  使用自回归概率树统一理解 SFT、RL、On-Policy Distillation，以及它们在泛化和灾难性遗忘上的差异。
+## 获取原文
 
-## 后续方向
-
-- Reinforcement Learning with Verifiable Rewards（RLVR）
-- GRPO 与 Policy Gradient
-- On-Policy Distillation（OPD）
-- Single-Rollout 与采样分布
-- 语言模型训练与推理系统
+- [下载全部笔记（ZIP）](https://github.com/kaining-never-stop/llm-learning-notes/archive/refs/heads/main.zip)
+- [查看 GitHub 仓库](https://github.com/kaining-never-stop/llm-learning-notes)
+- [下载本文 Markdown 原文](https://raw.githubusercontent.com/kaining-never-stop/llm-learning-notes/main/docs/post-training/distributional-view.md)
 
+更多下载方式见[获取笔记](download.md)。

mkdocs.yml

@@ -48,6 +48,7 @@ nav:
   - 首页: index.md
   - 后训练:
       - 在分布视角下理解后训练: post-training/distributional-view.md
+  - 获取笔记: download.md
 
 plugins:
   - search: