sync(zh): 上游交互图表系统全量同步（133 课 figure + 13 渲染模块） (#24)

上游 PR #279（b963cf63..148de36）curriculum-wide interactive figure system：

- A 类：133 个课程 docs/zh.md 各插入 1 个 ```figure 块，锚点与上游
  en.md 一致（108 个在「动手构建」前、23 个在「实际使用」前、
  2 个在「架构」前）；figure 名属代码不翻。
  debugging-neural-networks 类型 Practice→Build 随上游。
- B 类：13 个新 figures-*.js 渲染模块 + lesson-figures.js 升级
  （LF 工具集 svgEl/select/clamp/lerp/raf + 新渲染器）1:1 照搬上游。
- C 类：lesson.html 仅手动加 13 个 script 引用 + 版本号 20260610e，
  zh 特化（findH2/Analytics/SEO）未动。
- 跳过上游 data.js 构建产物，本仓 node site/build.js 重建。
- .sync-upstream-base 推进至 148de36。

验证：figure 名序列 en/zh 全 133 文件一致；137 个 figure 名全部有
渲染器；本地冒烟页 137/137 挂载渲染成功；build --check 503 课通过。

Author: fancyboi999

.sync-upstream-base

@@ -1 +1 @@
-b963cf63ffbb574af35da8db301ebb1381515ed8
+148de3663f8bab4c90355292de8d0fac81dc2a86

phases/01-math-foundations/01-linear-algebra-intuition/docs/zh.md

@@ -178,6 +178,10 @@ QR 分解内部就是这么干的。Q 是那组标准正交基，R 记录投影
 - 计算特征值（QR 算法）
 - 最小二乘回归（标准的数值方法）
 
+```figure
+eigen-directions
+```
+
 ## 动手构建
 
 ### 第 1 步：从零写向量（Python）

phases/01-math-foundations/02-vectors-matrices-operations/docs/zh.md

@@ -113,6 +113,10 @@ Broadcasting stretches the vector across rows:
 
 每个现代框架都会自动做这件事。理解它能让你在形状看起来不对、代码却照跑不误时不犯迷糊。
 
+```figure
+vector-projection
+```
+
 ## 动手构建
 
 ### 第 1 步：Vector 类

phases/01-math-foundations/03-matrix-transformations/docs/zh.md

@@ -232,6 +232,10 @@ det = -1:  area preserved but orientation flipped (reflection)
 | det(Reflection) | = -1     (orientation flipped)
 ```
 
+```figure
+matrix-transform
+```
+
 ## 动手构建
 
 ### 第 1 步：从零写变换矩阵（Python）

phases/01-math-foundations/04-calculus-for-ml/docs/zh.md

@@ -388,6 +388,10 @@ graph RL
 
 前向传播算出预测和损失。反向传播算出损失对每个权重的梯度。然后每个权重往下坡迈一小步。重复几百万步。这就是深度学习。
 
+```figure
+derivative-tangent
+```
+
 ## 动手构建
 
 ### 第 1 步：从零写数值导数

phases/01-math-foundations/05-chain-rule-and-autodiff/docs/zh.md

@@ -163,6 +163,10 @@ PyTorch 内部：
 
 这个图是动态的（define-by-run）。每次前向传播都会构建一个新图。这就是为什么 PyTorch 支持在模型里写控制流（if/else、循环）。
 
+```figure
+chain-rule
+```
+
 ## 动手构建
 
 ### 第 1 步：Value 类

phases/01-math-foundations/06-probability-and-distributions/docs/zh.md

@@ -254,6 +254,10 @@ Log-softmax 把 softmax 和 log 合在一起以保证数值稳定。PyTorch 在
 
 从任意分布采样需要逆变换采样、拒绝采样或重参数化技巧（VAE 里用）这类技术。
 
+```figure
+gaussian-pdf
+```
+
 ## 动手构建
 
 ### 第 1 步：概率基础

phases/01-math-foundations/07-bayes-theorem/docs/zh.md

@@ -195,6 +195,10 @@ MAP 在参数本身之上加了一个先验。如果你相信参数应该偏小
 
 **模型比较是贝叶斯的。** 贝叶斯信息准则（BIC）、边际似然和贝叶斯因子，全都用贝叶斯推理在模型之间选择而不过拟合。
 
+```figure
+bayes-update
+```
+
 ## 动手构建
 
 ### 第 1 步：贝叶斯定理函数

phases/01-math-foundations/08-optimization/docs/zh.md

@@ -195,6 +195,10 @@ graph TD
 
 尖锐的最小值泛化得差。平坦的最小值泛化得好。这是带动量的 SGD 在最终测试准确率上常常胜过 Adam 的原因之一：它的噪声防止落进尖锐的最小值。
 
+```figure
+gradient-descent
+```
+
 ## 动手构建
 
 ### 第 1 步：定义一个测试函数

phases/01-math-foundations/09-information-theory/docs/zh.md

@@ -273,6 +273,10 @@ Perplexity = e^H(P,Q)   (if using nats)
 
 GPT-2 在常见基准上达到约 30 的困惑度。现代模型在表示充分的领域里能做到个位数。
 
+```figure
+entropy-kl
+```
+
 ## 动手构建
 
 ### 第 1 步：信息量和熵