diff --git a/docs/chapter_divide_and_conquer/build_binary_tree_problem.md b/docs/chapter_divide_and_conquer/build_binary_tree_problem.md
index c89ae45fe..4d786718f 100644
--- a/docs/chapter_divide_and_conquer/build_binary_tree_problem.md
+++ b/docs/chapter_divide_and_conquer/build_binary_tree_problem.md
@@ -6,7 +6,7 @@ comments: true
 
 !!! question
 
-    给定一棵二叉树的前序遍历 `preorder` 和中序遍历 `inorder` ，请从中构建二叉树，返回二叉树的根节点。假设二叉树中没有值重复的节点。
+    给定一棵二叉树的前序遍历 `preorder` 和中序遍历 `inorder` ，请从中构建二叉树，返回二叉树的根节点。假设二叉树中没有值重复的节点，如图 12-5 所示。
 
 ![构建二叉树的示例数据](build_binary_tree_problem.assets/build_tree_example.png){ class="animation-figure" }
 
diff --git a/docs/chapter_dynamic_programming/summary.md b/docs/chapter_dynamic_programming/summary.md
index ddb894d4c..a2b7b434b 100644
--- a/docs/chapter_dynamic_programming/summary.md
+++ b/docs/chapter_dynamic_programming/summary.md
@@ -18,7 +18,7 @@ comments: true
 - 0-1 背包的状态定义为前 $i$ 个物品在剩余容量为 $c$ 的背包中的最大价值。根据不放入背包和放入背包两种决策，可得到最优子结构，并构建出状态转移方程。在空间优化中，由于每个状态依赖正上方和左上方的状态，因此需要倒序遍历列表，避免左上方状态被覆盖。
 - 完全背包问题的每种物品的选取数量无限制，因此选择放入物品的状态转移与 0-1 背包问题不同。由于状态依赖正上方和正左方的状态，因此在空间优化中应当正序遍历。
 - 零钱兑换问题是完全背包问题的一个变种。它从求“最大”价值变为求“最小”硬币数量，因此状态转移方程中的 $\max()$ 应改为 $\min()$ 。从追求“不超过”背包容量到追求“恰好”凑出目标金额，因此使用 $amt + 1$ 来表示“无法凑出目标金额”的无效解。
-- 零钱兑换 II 问题从求“最少硬币数量”改为求“硬币组合数量”，状态转移方程相应地从 $\min()$ 改为求和运算符。
+- 零钱兑换问题 II 从求“最少硬币数量”改为求“硬币组合数量”，状态转移方程相应地从 $\min()$ 改为求和运算符。
 
 **编辑距离问题**
 
diff --git a/docs/chapter_greedy/greedy_algorithm.md b/docs/chapter_greedy/greedy_algorithm.md
index 9924a8022..f9baf3968 100644
--- a/docs/chapter_greedy/greedy_algorithm.md
+++ b/docs/chapter_greedy/greedy_algorithm.md
@@ -298,7 +298,7 @@ comments: true
 
 ## 15.1.1   贪心算法的优点与局限性
 
-**贪心算法不仅操作直接、实现简单，而且通常效率也很高**。在以上代码中，记硬币最小面值为 $\min(coins)$ ，则贪心选择最多循环 $amt / \min(coins)$ 次，时间复杂度为 $O(amt / \min(coins))$ 。这比动态规划解法的时间复杂度 $O(n \times amt)$ 降低了一个数量级。
+**贪心算法不仅操作直接、实现简单，而且通常效率也很高**。在以上代码中，记硬币最小面值为 $\min(coins)$ ，则贪心选择最多循环 $amt / \min(coins)$ 次，时间复杂度为 $O(amt / \min(coins))$ 。这比动态规划解法的时间复杂度 $O(n \times amt)$ 小了一个数量级。
 
 然而，**对于某些硬币面值组合，贪心算法并不能找到最优解**。图 15-2 给出了两个示例。
 
diff --git a/docs/chapter_hashing/hash_collision.md b/docs/chapter_hashing/hash_collision.md
index 43bbeb51c..929d614d4 100644
--- a/docs/chapter_hashing/hash_collision.md
+++ b/docs/chapter_hashing/hash_collision.md
@@ -1344,7 +1344,7 @@ comments: true
 
 然而，**线性探测容易产生“聚集现象”**。具体来说，数组中连续被占用的位置越长，这些连续位置发生哈希冲突的可能性越大，从而进一步促使该位置的聚堆生长，形成恶性循环，最终导致增删查改操作效率劣化。
 
-值得注意的是，**我们不能在开放寻址哈希表中直接删除元素**。这是因为删除元素会在数组内产生一个空桶 `None` ，而当查询元素时，线性探测到该空桶就会返回，因此在该空桶之下的元素都无法再被访问到，程序可能误判这些元素不存在。
+值得注意的是，**我们不能在开放寻址哈希表中直接删除元素**。这是因为删除元素会在数组内产生一个空桶 `None` ，而当查询元素时，线性探测到该空桶就会返回，因此在该空桶之下的元素都无法再被访问到，程序可能误判这些元素不存在，如图 6-7 所示。
 
 ![在开放寻址中删除元素导致的查询问题](hash_collision.assets/hash_table_open_addressing_deletion.png){ class="animation-figure" }
 
diff --git a/docs/chapter_heap/build_heap.md b/docs/chapter_heap/build_heap.md
index 6d9c198fa..bc28789c6 100644
--- a/docs/chapter_heap/build_heap.md
+++ b/docs/chapter_heap/build_heap.md
@@ -228,7 +228,7 @@ $$
 T(h) = 2^0h + 2^1(h-1) + 2^2(h-2) + \dots + 2^{(h-1)}\times1
 $$
 
-化简上式需要借助中学的数列知识，将对 $T(h)$ 乘以 $2$ ，得到：
+化简上式需要借助中学的数列知识，先将 $T(h)$ 乘以 $2$ ，得到：
 
 $$
 \begin{aligned}
diff --git a/docs/chapter_stack_and_queue/deque.md b/docs/chapter_stack_and_queue/deque.md
index 5c3aa8596..afd54fb69 100644
--- a/docs/chapter_stack_and_queue/deque.md
+++ b/docs/chapter_stack_and_queue/deque.md
@@ -18,14 +18,14 @@ comments: true
 
 <div class="center-table" markdown>
 
-| 方法名        | 描述             | 时间复杂度 |
-| ------------- | ---------------- | ---------- |
-| `pushFirst()` | 将元素添加至队首 | $O(1)$     |
-| `pushLast()`  | 将元素添加至队尾 | $O(1)$     |
-| `popFirst()`  | 删除队首元素     | $O(1)$     |
-| `popLast()`   | 删除队尾元素     | $O(1)$     |
-| `peekFirst()` | 访问队首元素     | $O(1)$     |
-| `peekLast()`  | 访问队尾元素     | $O(1)$     |
+| 方法名         | 描述             | 时间复杂度 |
+| -------------- | ---------------- | ---------- |
+| `push_first()` | 将元素添加至队首 | $O(1)$     |
+| `push_last()`  | 将元素添加至队尾 | $O(1)$     |
+| `pop_first()`  | 删除队首元素     | $O(1)$     |
+| `pop_last()`   | 删除队尾元素     | $O(1)$     |
+| `peek_first()` | 访问队首元素     | $O(1)$     |
+| `peek_last()`  | 访问队尾元素     | $O(1)$     |
 
 </div>
 
diff --git a/docs/index.md b/docs/index.md
index 7708af6c9..eb81fbab4 100644
--- a/docs/index.md
+++ b/docs/index.md
@@ -134,7 +134,7 @@ hide:
 
 两年前，我在力扣上分享了“剑指 Offer”系列题解，受到了许多同学的喜爱和支持。在与读者交流期间，我最常收到的一个问题是“如何入门算法”。逐渐地，我对这个问题产生了浓厚的兴趣。
 
-两眼一抹黑地刷题似乎是最受欢迎的方法，简单直接且有效。然而刷题就如同玩“扫雷”游戏，自学能力强的同学能够顺利将地雷逐个排掉，而基础不足的同学很可能被炸的满头是包，并在挫折中步步退缩。通读教材也是一种常见做法，但对于面向求职的同学来说，毕业季、投递简历、准备笔试面试已经消耗了大部分精力，啃厚重的书往往变成了一项艰巨的挑战。
+两眼一抹黑地刷题似乎是最受欢迎的方法，简单直接且有效。然而刷题就如同玩“扫雷”游戏，自学能力强的同学能够顺利将地雷逐个排掉，而基础不足的同学很可能被炸得满头是包，并在挫折中步步退缩。通读教材也是一种常见做法，但对于面向求职的同学来说，毕业季、投递简历、准备笔试面试已经消耗了大部分精力，啃厚重的书往往变成了一项艰巨的挑战。
 
 如果你也面临类似的困扰，那么很幸运这本书找到了你。本书是我对这个问题给出的答案，即使不是最优解，也至少是一次积极的尝试。本书虽然不足以让你直接拿到 Offer ，但会引导你探索数据结构与算法的“知识地图”，带你了解不同“地雷”的形状、大小和分布位置，让你掌握各种“排雷方法”。有了这些本领，相信你可以更加自如地刷题和阅读文献，逐步构建起完整的知识体系。