docs: 扁平化目录结构，优化文档为 Coding Agent 可读格式

- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter）
- 目录结构从 3 层嵌套扁平化为编号文件（01~09）
- 新增 docs/README.md 文档索引与推荐阅读顺序
- 精简冗余解释，保留所有代码块和实现参考
- CLAUDE.md 全面中文化

docs/07-视觉理解.md

@@ -0,0 +1,73 @@
+# 视觉理解
+
+## 概述
+
+从摄像头视频流到 AI 语义理解的技术链路：**帧采样** → **图像编码** → **多模态 LLM** → **语义结果**。
+
+摄像头每秒 30 帧，全部送入 LLM 不现实也不经济，帧采样是第一个需要解决的问题。
+
+## 帧采样策略
+
+| 策略 | 原理 | 适用场景 |
+|------|------|---------|
+| 固定间隔采样 | 每 N 秒取一帧 | 画面变化缓慢 |
+| 关键帧检测 | 对比相邻帧差异，变化超阈值时触发 | 画面动态变化较多 |
+| 事件驱动采样 | 用户主动触发（如拍照按钮） | 精确提问场景 |
+| **混合策略** | 低频定时 + 高频事件触发 | **通用推荐方案** |
+
+关键帧检测核心逻辑：
+
+```python
+import numpy as np
+
+def is_keyframe(prev_frame, curr_frame, threshold=30):
+    """通过帧间像素差异判断是否为关键帧"""
+    diff = np.mean(np.abs(prev_frame.astype(int) - curr_frame.astype(int)))
+    return diff > threshold
+```
+
+> 实际开发中，先降低分辨率（如 320x240）做关键帧检测，再对命中帧保留原始分辨率送入 LLM，兼顾速度与精度。
+
+## 图像编码与多模态输入
+
+主流多模态 LLM（GPT-4o、Claude）接受图片的两种方式：
+
+| 方式 | 适用场景 |
+|------|---------|
+| Base64 内联 | 本地/实时场景 |
+| URL 引用 | 已有图床的场景 |
+
+OpenAI 兼容接口调用示例：
+
+```typescript
+const response = await openai.chat.completions.create({
+  model: "gpt-4o",
+  messages: [
+    {
+      role: "user",
+      content: [
+        { type: "text", text: "请描述画面中的内容" },
+        {
+          type: "image_url",
+          image_url: {
+            url: `data:image/jpeg;base64,${base64Image}`,
+            detail: "low" // "low" | "high" | "auto"
+          }
+        }
+      ]
+    }
+  ]
+});
+```
+
+**detail 参数影响**：
+- `low`：65x65 缩略图，约 85 tokens，适合快速识别
+- `high`：按 512px 方块切分，细节丰富但 token 数激增
+- 实时对话场景建议默认 `low`，仅在用户追问细节时切换 `high`
+
+## 视觉理解的局限性
+
+- **运动模糊**：快速移动物体在低帧率下容易模糊
+- **光线变化**：逆光、暗光环境下识别率显著下降
+- **细小文字**：低分辨率下 OCR 能力受限
+- **空间推理**：精确的距离、尺寸判断仍是短板