fix

docs/docs/game/miniob-vectordb.md

@@ -92,7 +92,7 @@ IVF-Flat 是一种常见的高效近似最近邻（Approximate Nearest Neighbor
 以图像搜索为例的 IVF-Flat 向量索引工作流程如下：
 1. 首先使用 K-Means 算法将所有图像的特征向量分成 1000 个簇。每个簇表示一部分相似的图片。例如，簇 1 可能包含大部分是风景图像的向量，簇 2 可能包含大部分是人物图像的向量，以此类推。对于每个簇，向量索引都维护一个倒排文件索引，存储属于这个簇的所有图像的索引。
 比如，簇 1 对应的倒排文件索引可能包括 [image_23, image_45, image_78...]，这些是属于簇 1 的图像的索引。
-1. 查询过程：用户指定一张新图像进行搜索。首先，将这张图片通过同样的特征提取模型转换成一个高维向量。然后，通过计算这个向量与1000个质心的距离，找到离它最近的几个质心（假设是前5个）。在这几个质心对应的簇中，你进一步进行精确的向量搜索，找到最相似的图像。
+2. 查询过程：用户指定一张新图像进行搜索。首先，将这张图片通过同样的特征提取模型转换成一个高维向量。然后，通过计算这个向量与1000个质心的距离，找到离它最近的几个质心（假设是前5个）。在这几个质心对应的簇中，你进一步进行精确的向量搜索，找到最相似的图像。
 
 
 向量索引语法：
@@ -115,6 +115,7 @@ select column_name1,column_name2, ... from table_name order by vector_distance_f
 * 要求limit子句必须是一个整数常量表达式
 
 本题目中只需要支持：
+
 1. 创建 Ivf-Flat 向量索引（本题目不考察 ANN 查询）。
 2. 当查询为邻近向量检索且命中向量索引时，需要将 order by + limit 的查询计划改写为通过向量索引进行检索的查询计划。