diff --git a/README.md b/README.md
index 191c6f8..8411e77 100644
--- a/README.md
+++ b/README.md
@@ -4,46 +4,93 @@
 班级: AI_251
 学号: 2509165005
 仓库: final-practice
-原数据文件: viz_data.json
-说明: 纯数据，可直接用于 5 种图（条形图/折线图/饼图/雷达图/散点图）
+原讲义文件: 期末实践题_电影类别预测.md
 -->
 
+# 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
-{
-  "description": "学生考试成绩数据 - 可同时绘制 5 种图（条形图/折线图/饼图/雷达图/散点图）",
-  "bar_chart": {
-    "title": "各学生数学成绩对比",
-    "x": ["张三", "李四", "王五", "赵六", "钱七", "孙八", "周九", "吴十", "郑明", "王芳"],
-    "y": [92, 88, 76, 85, 90, 82, 78, 95, 72, 88]
-  },
-  "line_chart": {
-    "title": "班级各科平均分趋势（6个月）",
-    "month": ["1月", "2月", "3月", "4月", "5月", "6月"],
-    "语文": [78, 80, 82, 85, 83, 86],
-    "数学": [82, 84, 85, 87, 88, 90],
-    "英语": [80, 82, 81, 84, 85, 87]
-  },
-  "pie_chart": {
-    "title": "班级成绩等级分布",
-    "labels": ["优秀(>=90)", "良好(80-89)", "中等(70-79)", "待提高(<70)"],
-    "values": [1, 7, 2, 0]
-  },
-  "radar_chart": {
-    "title": "三位学生五科成绩对比",
-    "categories": ["语文", "数学", "英语", "物理", "化学"],
-    "students": {
-      "张三": [85, 92, 78, 88, 90],
-      "李四": [78, 88, 92, 75, 82],
-      "王五": [92, 76, 85, 90, 78]
-    }
-  },
-  "scatter_chart": {
-    "title": "学习时长 vs 数学成绩",
-    "x_label": "每周学习时长(小时)",
-    "y_label": "数学成绩",
-    "x": [3, 5, 4, 6, 5, 4, 5, 6, 2, 7],
-    "y": [92, 88, 76, 85, 90, 82, 78, 95, 72, 88],
-    "labels": ["张三", "李四", "王五", "赵六", "钱七", "孙八", "周九", "吴十", "郑明", "王芳"]
-  }
-}
-```
\ No newline at end of file
+{"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