docs(readme): update Chinese translation per review feedback

- Change 'item' translation from '项目' to '条目' as suggested
- Update all references to Item layer in the hierarchical file system
- Maintain consistency throughout the document

Author: zongshuai818

README_zh.md

@@ -53,7 +53,7 @@ MemU 正在与四个开源项目合作举办 2026 新年挑战赛。🎉 在 1
 
 | 特性 | 描述 |
 |------|------|
-| 🗂️ **分层文件系统** | 三层架构：资源 → 项目 → 类别，支持完整追溯 |
+| 🗂️ **分层文件系统** | 三层架构：资源 → 条目 → 类别，支持完整追溯 |
 | 🔍 **双检索方法** | RAG（基于嵌入）用于快速检索，LLM（非嵌入）用于深度语义理解 |
 | 🎨 **多模态支持** | 处理对话、文档、图像、音频和视频 |
 | 🔄 **自演化记忆** | 记忆结构根据使用模式自适应改进 |
@@ -69,11 +69,11 @@ MemU 采用**三层架构**组织记忆，灵感来源于分层存储系统：
 | 层级 | 描述 | 示例 |
 |------|------|------|
 | **资源层** | 原始多模态数据仓库 | JSON 对话、文本文档、图像、视频 |
-| **项目层** | 离散提取的记忆单元 | 个人偏好、技能、观点、习惯 |
+| **条目层** | 离散提取的记忆单元 | 个人偏好、技能、观点、习惯 |
 | **类别层** | 聚合的文本记忆及摘要 | `preferences.md`、`work_life.md`、`relationships.md` |
 
 **主要优势：**
-- **完整追溯性**：从原始数据 → 项目 → 类别全程可追溯
+- **完整追溯性**：从原始数据 → 条目 → 类别全程可追溯
 - **渐进式摘要**：每层提供越来越抽象的视图
 - **灵活组织**：类别根据内容模式演化
 
@@ -216,7 +216,7 @@ result = await service.memorize(
 # 返回：
 {
     "resource": {...},      # 存储的资源元数据
-    "items": [...],         # 提取的记忆项目
+    "items": [...],         # 提取的记忆条目
     "categories": [...]     # 更新的类别摘要
 }
 ```
@@ -248,12 +248,12 @@ result = await service.memorize(
 | **速度** | ⚡ 快速 | 🐢 较慢 |
 | **成本** | 💰 低 | 💰💰 较高 |
 | **语义深度** | 中等 | 深度 |
-| **第二层范围** | 所有项目 | 仅相关类别中的项目 |
+| **第二层范围** | 所有条目 | 仅相关类别中的条目 |
 | **输出** | 带相似度分数 | 按 LLM 推理排序 |
 
 两种方法都支持：
 - **上下文感知重写**：使用对话历史解析代词
-- **渐进式搜索**：类别 → 项目 → 资源
+- **渐进式搜索**：类别 → 条目 → 资源
 - **充分性检查**：当检索到足够信息时停止
 
 #### 使用示例
@@ -270,7 +270,7 @@ result = await service.retrieve(
 # 返回：
 {
     "categories": [...],     # 相关类别（RAG 包含分数）
-    "items": [...],          # 相关记忆项目
+    "items": [...],          # 相关记忆条目
     "resources": [...],      # 相关原始资源
     "next_step_query": "..." # 重写的后续查询（如适用）
 }
@@ -298,7 +298,7 @@ python examples/example_1_conversation_memory.py
 
 **功能：**
 - 处理多个对话 JSON 文件
-- 提取记忆项目（偏好、习惯、观点、关系）
+- 提取记忆条目（偏好、习惯、观点、关系）
 - 生成类别 Markdown 文件（`preferences.md`、`work_life.md` 等）
 
 **适用场景：** 个人 AI 助手、客户支持机器人、社交聊天机器人