Merge pull request #103 from Electricitysheep/fix/broken-links-appendix

fix(docs): correct broken links in appendix and sidebar config

docs/.vitepress/config.mjs

@@ -2482,7 +2482,7 @@ Sitemap: ${siteUrl}/sitemap.xml
                 },
                 {
                   text: 'Extra 2: What is API',
-                  link: '/zh-cn/stage-2/backend/what-is-api/'
+                  link: '/zh-cn/stage-2/backend/ai-interface-code/'
                 },
                 {
                   text: 'Extra 5: What is RAG',
@@ -2505,11 +2505,11 @@ Sitemap: ${siteUrl}/sitemap.xml
               items: [
                 {
                   text: 'Ex 0.1: Snake Game',
-                  link: '/zh-cn/examples/example0/example0-1/vibe-coding-tools-snake-game-tutorial'
+                  link: '/zh-cn/stage-1/appendix-articles/example0-1/vibe-coding-tools-snake-game-tutorial'
                 },
                 {
                   text: 'Ex 0.2: Build Website with AI',
-                  link: '/zh-cn/examples/example0/example0-2/vibe-coding-tools-build-website-with-ai-coding-and-design-agents'
+                  link: '/zh-cn/stage-1/appendix-articles/example0-2/vibe-coding-tools-build-website-with-ai-coding-and-design-agents'
                 }
               ]
             }

docs/zh-cn/appendix/7-infrastructure-and-operations/cloud-iam.md

@@ -3,8 +3,8 @@
 
 在开始之前，建议你先补两块"基础砖"：
 
-- **Token 是什么**：可以先阅读 [大语言模型入门](./llm-intro.md) 的「分词 & Token」部分。
-- **Prompt 是什么**：如果你还不熟悉 System / User / Assistant 的基本结构，可以先看 [提示词工程](./prompt-engineering/)。
+- **Token 是什么**：可以先阅读 [大语言模型入门](../8-artificial-intelligence/llm-principles.md) 的「分词 & Token」部分。
+- **Prompt 是什么**：如果你还不熟悉 System / User / Assistant 的基本结构，可以先看 [提示词工程](../8-artificial-intelligence/prompt-engineering/)。
 
 ---
 

docs/zh-cn/appendix/8-artificial-intelligence/prompt-engineering.md

@@ -34,7 +34,7 @@ AI 模型像一个**黑盒子**：我们知道输入（提示词）和输出（
 2.  **更准确**：符合你的特定格式和逻辑要求。
 3.  **更高效**：一步到位，不需要反复纠正。
 
-> ℹ️ **背景知识**：如果你对模型是如何训练出来的感兴趣（预训练 vs 微调），可以阅读附录中的 [大语言模型入门](../llm-principles.md)。或者查看下方的详细原理解析。
+> ℹ️ **背景知识**：如果你对模型是如何训练出来的感兴趣（预训练 vs 微调），可以阅读附录中的 [大语言模型入门](../8-artificial-intelligence/llm-principles.md)。或者查看下方的详细原理解析。
 
 ### 深度解析：从训练数据看模型行为