docs: fix broken relative links in example cases to resolve mkdocs build warnings

docs/plugins/pipes/star-prediction-example.md

@@ -17,15 +17,16 @@ This case study demonstrates how to use the **GitHub Copilot SDK Pipe** with the
 - **Plugin Type**: Pipe (GitHub Copilot SDK)
 - **Base Model**: Minimax 2.1 (via Pipe integration)
 - **Key Capabilities**:
-    - **File Processing**: Automatically reads and parses multiple CSV data files.
+  - **File Processing**: Automatically reads and parses multiple CSV data files.
-    - **Code Generation & Execution**: On-the-fly Python scripting to calculate growth rates, conversion rates, and median trends.
+  - **Code Generation & Execution**: On-the-fly Python scripting to calculate growth rates, conversion rates, and median trends.
-    - **Multimodal Output**: Generates Markdown reports, interactive HTML dashboards, and Mermaid timeline charts.
+  - **Multimodal Output**: Generates Markdown reports, interactive HTML dashboards, and Mermaid timeline charts.
 
 ---
 
 ## 💬 Conversation Highlights
 
 ### 📥 Import Conversation
+
 You can download the raw chat data and import it into your Open WebUI to see the full tool calls and analysis logic:
 [:material-download: Download Chat JSON](./star-prediction-chat.json)
 
@@ -33,22 +34,28 @@ You can download the raw chat data and import it into your Open WebUI to see the
 > In Open WebUI, click your **User Avatar** (bottom of left sidebar) -> **Settings** -> **Data** -> **Import Chats**, then select the downloaded file.
 
 ### 1. Data Submission
+
 The **User** provided traffic source distribution and uploaded:
+
 - `Unique visitors in last 14 days.csv`
 - `Total views in last 14 days.csv`
 - `star-history.csv`
 
 ### 2. Analysis Execution
+
 **Minimax 2.1** received the data and immediately formulated an analysis plan:
+
 1. Calculate star growth trajectory and rates.
 2. Analyze visitor-to-star conversion rates.
 3. Build linear and median projection models.
 4. Generate a milestone timeline.
 
 ### 3. Report Generation
+
 The model produced a comprehensive report. Here are the core projections:
 
 #### 🎯 Key Projections
+
 | Metric | Value | Insight |
 | :--- | :--- | :--- |
 | **Current Stars** | 62 | 62% of the goal reached |
@@ -88,4 +95,4 @@ gantt
 
 ---
 
-> [View GitHub Copilot SDK Pipe Source Code](../../../plugins/pipes/github-copilot-sdk/README.md)
+> [View GitHub Copilot SDK Pipe Documentation](./github-copilot-sdk.md)

docs/plugins/pipes/star-prediction-example.zh.md

@@ -17,15 +17,16 @@
 - **插件类型**: Pipe (GitHub Copilot SDK)
 - **底层模型**: Minimax 2.1 (通过 Pipe 接入)
 - **核心能力**:
-    - **文件处理**: 自动读取并解析多份 CSV 数据文件。
+  - **文件处理**: 自动读取并解析多份 CSV 数据文件。
-    - **代码生成与执行**: 现场编写 Python 分析代码并执行，计算增长率、转化率及中位趋势。
+  - **代码生成与执行**: 现场编写 Python 分析代码并执行，计算增长率、转化率及中位趋势。
-    - **多模态输出**: 生成 Markdown 报告、HTML 交互看板以及 Mermaid 时间轴图表。
+  - **多模态输出**: 生成 Markdown 报告、HTML 交互看板以及 Mermaid 时间轴图表。
 
 ---
 
 ## 💬 对话实录
 
 ### 📥 导入对话记录
+
 你可以下载原始对话数据并导入到你的 Open WebUI 中，查看完整的工具调用和分析逻辑：
 [:material-download: 下载原始对话 JSON](./star-prediction-chat.json)
 
@@ -33,22 +34,28 @@
 > 在 Open WebUI 首页点击 **左侧侧边栏底部个人头像** -> **设置** -> **数据** -> **导入记录**，选择下载的文件即可。
 
 ### 1. 提交原始数据
+
 **用户**提供了项目的流量来源分布表，并上传了：
+
 - `Unique visitors in last 14 days.csv`
 - `Total views in last 14 days.csv`
 - `star-history.csv`
 
 ### 2. 模型执行分析
+
 **Minimax 2.1** 接收到数据后，立即制定了分析计划：
+
 1. 计算 Star 增长轨迹和增长率。
 2. 分析访问者到 Star 的转化率。
 3. 构建线性与中位增长模型进行预测。
 4. 生成里程碑时间轴。
 
 ### 3. 生成分析报告
+
 模型输出了一份详尽的报告，以下是其核心预测：
 
 #### 🎯 关键预测结果
+
 | 指标 | 数值 | 洞察 |
 | :--- | :--- | :--- |
 | **当前 Star 数** | 62 | 已完成目标的 62% |
@@ -88,4 +95,4 @@ gantt
 
 ---
 
-> [查看 GitHub Copilot SDK Pipe 源码](../../../plugins/pipes/github-copilot-sdk/README.md)
+> [查看 GitHub Copilot SDK Pipe 开发文档](./github-copilot-sdk.zh.md)

docs/plugins/pipes/video-processing-example.md

@@ -17,17 +17,18 @@ This case study demonstrates how to use the **GitHub Copilot SDK Pipe** with **M
 - **Plugin Type**: Pipe (GitHub Copilot SDK)
 - **Base Model**: Minimax 2.1
 - **Key Capabilities**:
-    - **System Tool Access**: Automatically detects and invokes `ffmpeg` within the container.
+  - **System Tool Access**: Automatically detects and invokes `ffmpeg` within the container.
-    - **Two-Pass Optimization**:
+  - **Two-Pass Optimization**:
         1. **Pass 1**: Analyzes all frames to generate a custom 256-color palette (`palettegen`).
         2. **Pass 2**: Applies the palette for superior quantization and dithering (`paletteuse`).
-    - **Precision Parameters**: Implements 1.4x PTS scaling, Lanczos scaling, and 20fps rate control.
+  - **Precision Parameters**: Implements 1.4x PTS scaling, Lanczos scaling, and 20fps rate control.
 
 ---
 
 ## 💬 Conversation Highlights
 
 ### 📥 Import Conversation
+
 You can download the raw chat data and import it into your Open WebUI to see how the model debugs and optimizes the FFmpeg parameters:
 [:material-download: Download Chat JSON](./video-processing-chat.json)
 
@@ -35,14 +36,18 @@ You can download the raw chat data and import it into your Open WebUI to see how
 > In Open WebUI, click your **User Avatar** (bottom of left sidebar) -> **Settings** -> **Data** -> **Import Chats**, then select the downloaded file.
 
 ### 1. Processing Requirements
+
 The **User** provided an input file and specific parameters:
+
 - Speed: 1.4x (setpts=PTS/1.4)
 - Resolution: 1280px width, auto height
 - Optimization: Must use palette generation technology
 - Constraint: File size < 20MB
 
 ### 2. Analysis Execution
+
 **Minimax 2.1** generated and executed the following core logic:
+
 ```bash
 # Pass 1: Generate optimal palette
 ffmpeg -i input.mov -vf "fps=20,scale=1280:-1:flags=lanczos,setpts=PTS/1.4,palettegen" palette.png
@@ -51,6 +56,7 @@ ffmpeg -i input.mov -i palette.png -lavfi "[0:v]fps=20,scale=1280:-1:flags=lancz
 ```
 
 ### 3. Result Summary
+
 | Metric | Original Video | Processed GIF | Status |
 | :--- | :--- | :--- | :--- |
 | **File Size** | 38 MB | **14 MB** | ✅ Success |
@@ -63,6 +69,7 @@ ffmpeg -i input.mov -i palette.png -lavfi "[0:v]fps=20,scale=1280:-1:flags=lancz
 ## 💡 Why This Case Matters
 
 Standard LLMs can only "tell you" how to use FFmpeg. However, a Pipe powered by the **GitHub Copilot SDK** can:
+
 1. **Interpret** complex multimedia processing parameters.
 2. **Access** raw files within the filesystem.
 3. **Execute** resource-intensive binary tool tasks.
@@ -70,4 +77,4 @@ Standard LLMs can only "tell you" how to use FFmpeg. However, a Pipe powered by
 
 ---
 
-> [View GitHub Copilot SDK Pipe Source Code](../../../plugins/pipes/github-copilot-sdk/README.md)
+> [View GitHub Copilot SDK Pipe Documentation](./github-copilot-sdk.md)

docs/plugins/pipes/video-processing-example.zh.md

@@ -17,17 +17,18 @@
 - **插件类型**: Pipe (GitHub Copilot SDK)
 - **底层模型**: Minimax 2.1
 - **核心能力**:
-    - **底层系统访问**: 自动检测并调用容器内的 `ffmpeg` 工具。
+  - **底层系统访问**: 自动检测并调用容器内的 `ffmpeg` 工具。
-    - **双阶段优化 (Two-Pass Optimization)**:
+  - **双阶段优化 (Two-Pass Optimization)**:
         1. **阶段一**: 分析全视频帧生成 256 色最优调色板 (`palettegen`)。
         2. **阶段二**: 应用调色板进行高质量量化和抖动处理 (`paletteuse`)。
-    - **参数精准控制**: 实现 1.4 倍 PTS 缩放、Lanczos 滤镜缩放及 20fps 帧率控制。
+  - **参数精准控制**: 实现 1.4 倍 PTS 缩放、Lanczos 滤镜缩放及 20fps 帧率控制。
 
 ---
 
 ## 💬 对话实录
 
 ### 📥 导入对话记录
+
 你可以下载原始对话数据并导入到你的 Open WebUI 中，查看模型如何一步步调试 FFmpeg 参数：
 [:material-download: 下载原始对话 JSON](./video-processing-chat.json)
 
@@ -35,14 +36,18 @@
 > 在 Open WebUI 首页点击 **左侧侧边栏底部个人头像** -> **设置** -> **数据** -> **导入记录**，选择下载的文件即可。
 
 ### 1. 提交处理需求
+
 **用户**指定了输入文件和详细参数：
+
 - 加速：1.4x (setpts=PTS/1.4)
 - 分辨率：宽度 1280px，等比例缩放
 - 质量优化：必须使用调色板生成技术
 - 约束：文件体积 < 20MB
 
 ### 2. 模型执行处理
+
 **Minimax 2.1** 自动编写并执行了以下核心逻辑：
+
 ```bash
 # 生成优化调色板
 ffmpeg -i input.mov -vf "fps=20,scale=1280:-1:flags=lanczos,setpts=PTS/1.4,palettegen" palette.png
@@ -51,6 +56,7 @@ ffmpeg -i input.mov -i palette.png -lavfi "[0:v]fps=20,scale=1280:-1:flags=lancz
 ```
 
 ### 3. 处理结果摘要
+
 | 指标 | 原始视频 | 处理后 GIF | 状态 |
 | :--- | :--- | :--- | :--- |
 | **文件大小** | 38 MB | **14 MB** | ✅ 达标 |
@@ -63,6 +69,7 @@ ffmpeg -i input.mov -i palette.png -lavfi "[0:v]fps=20,scale=1280:-1:flags=lancz
 ## 💡 为什么这个案例很有意义？
 
 传统的 LLM 只能“告诉你”怎么做，而基于 **GitHub Copilot SDK** 的 Pipe 能够：
+
 1. **理解** 复杂的多媒体处理参数。
 2. **感知** 文件系统中的原始素材。
 3. **执行** 耗时、耗能的二进制工具任务。
@@ -70,4 +77,4 @@ ffmpeg -i input.mov -i palette.png -lavfi "[0:v]fps=20,scale=1280:-1:flags=lancz
 
 ---
 
-> [查看 GitHub Copilot SDK Pipe 源码](../../../plugins/pipes/github-copilot-sdk/README.md)
+> [查看 GitHub Copilot SDK Pipe 开发文档](./github-copilot-sdk.zh.md)