diff --git a/README.md b/README.md
index 3645b11..7294488 100644
--- a/README.md
+++ b/README.md
@@ -1,3 +1,96 @@
-# final-practice
+<!--
+本文件由助教自动生成
+课程: 人工智能数据服务 (090945)
+班级: AI_251
+学号: 2505155046
+仓库: final-practice
+原讲义文件: 期末实践题_电影类别预测.md
+-->
 
-期末实践题·综合实践（电影类别预测）
\ No newline at end of file
+# 人工智能数据服务 · 综合实践
+
+> 课程代码：090945　　班级：人工智能251班（50人）
+> 考试形式：上机实践 · 2 节连堂（90 分钟）· 个人独立完成
+
+---
+
+## 一、说明
+
+**类别词典**（共 10 类，本试卷通用）：
+```
+0.剧情  1.喜剧  2.科幻  3.悬疑  4.动作
+5.爱情  6.动画  7.犯罪  8.奇幻  9.纪录
+```
+注：一部电影一个类别
+
+**要求**：
+1. 独立完成
+2. 可参考 gitea 中的模板文件
+3. 禁止使用豆包等大模型工具
+4. 完成后提交到 Gitea 仓库 final-practice
+
+---
+
+## 二、数据采集
+
+爬取豆瓣电影 Top250 前 50 部电影信息，包含电影名称、主演、短评。数据保存为 `movies.json`。
+
+JSON 字段示例：
+```json
+{"rank": 1, "title": "肖申克的救赎", "actors": "蒂姆·罗宾斯 / 摩根·弗里曼", "quote": "希望让人自由。"}
+```
+
+---
+
+## 三、数据处理与标注
+
+读取 `movies.json`，整理出短评部分。并且使用 label-studio 进行数据标注。
+
+操作要点：
+- 过滤 `quote` 字段为空的电影
+- 将待标注数据导入 label-studio
+- 给每条短评标注 10 个类别中**最显著的一个**
+- 导出标注结果
+
+---
+
+## 四、模型训练
+
+使用标注的数据，使用 MLP 模型进行训练。获取训练时候的 loss 和 precision 两个数据，分别保存为 `loss.csv` 和 `predictions.csv` 两个文件。
+
+操作要点：
+- 用 `TfidfVectorizer` 提取文本特征
+- 划分训练集 / 验证集
+- 训练 MLP 模型并记录 loss
+- 预测测试集并计算 precision
+
+---
+
+## 五、可视化编程
+
+基于 `loss.csv` 和 `predictions.csv` 绘制 2 张图。
+
+操作要点：
+- 图 1：loss 曲线（横轴 epoch，纵轴 loss，含训练集和验证集）
+- 图 2：10 个类别的预测分布柱状图
+
+---
+
+## 六、提交规范
+
+### 6.1 必交文件
+
+```
+学号_姓名/
+├── movies.json
+├── quotes_processed.txt
+├── process_stats.json
+├── predictions.csv
+├── my_labels.csv
+├── report.md
+└── images/
+    ├── wordcloud.png
+    └── category_bar.png
+```
+
+---
\ No newline at end of file