diff --git a/docs/docfile/tutorial_cn/t_robust.rst b/docs/docfile/tutorial_cn/t_robust.rst
index 5de0a60..b6a98bc 100644
--- a/docs/docfile/tutorial_cn/t_robust.rst
+++ b/docs/docfile/tutorial_cn/t_robust.rst
@@ -1,88 +1,64 @@
-<<<<<<< HEAD
-.. _nas_cn：
+.. _robust:
 
-图鲁棒性
-============================
+鲁棒模型
+==========================
 
-图鲁棒性是近年图机器学习领域重要的研究方向，我们在AutoGL中集成了图鲁棒性相关算法，可以方便地与其他模块结合使用。
+我们提供了一系列的防御方法，旨在增强图神经网络的鲁棒性。
 
-背景知识
-------------
+生成并训练 GNNGuard 模型
+------------------------------
 
-（介绍对抗攻击、鲁棒问题的定义等，可以适当引一些paper）
+首先，加载预先攻击的图数据：
 
-在AutoGL中，我们将图鲁棒性的算法分为三类，放在不同的模块中实现。
-鲁棒图特征工程旨在数据预处理阶段生成鲁棒的图特征，增强下游任务的鲁棒性。
-鲁棒图神经网络则是通过模型层面的设计，以在训练过程中确保模型的鲁棒性。
-鲁棒图神经网络架构搜索旨在搜索出一个鲁棒的图神经网络架构。
-下文中将分别介绍这三类图鲁棒性算法。
+.. code-block:: python
 
-鲁棒图特征工程
----------------------
+    perturbed_data = PrePtbDataset(root='/tmp/', name=dataset,attack_method='meta', ptb_rate=0.2)
+    modified_adj = perturbed_data.adj
 
-鲁棒图神经网络
----------------------
+然后，在原图 / 扰动图上训练图神经网络模型：
 
-鲁棒图神经网络架构搜索
----------------------
-=======
-==========================
-鲁棒模型
-==========================
-
-我们提供了一系列的防御方法，旨在增强图神经网络的鲁棒性。
-
-生成并训练 GNNGuard 模型
-------------------------------
-
-首先，加载预先攻击的图数据：
-
-.. code-block:: python
-    perturbed_data = PrePtbDataset(root='/tmp/', name=dataset,attack_method='meta', ptb_rate=0.2)
-    modified_adj = perturbed_data.adj
-
-然后，在原图 / 扰动图上训练图神经网络模型：
-
-.. code-block:: python
-    flag = False
-    print('=== testing GNN on original(clean) graph (AutoGL) ===')
-    print("acc_test:",test_autogl(adj, features, device, attention=flag))
-    print('=== testing GCN on perturbed graph (AutoGL) ===')
-    print("acc_test:",test_autogl(modified_adj, features, device, attention=flag))
-
-训练图神经网络的细节如下：
-
-.. code-block:: python
-    def test_autogl(adj, features, device, attention):
-    ''
-    """test on GCN """
-    """model_name could be 'GCN', 'GAT', 'GIN','JK'  """
-    accs = []
-    for seed in tqdm(range(5)):
-        # defense model
-        gcn = AutoGNNGuard(
-                    num_features=pyg_data.num_node_features,
-                    num_classes=pyg_data.num_classes,
-                    device=args.device,
-                    init=False
-                ).from_hyper_parameter(model_hp).model
-        gcn = gcn.to(device)
-        gcn.fit(features, adj, labels, idx_train, idx_val=idx_val,
-                idx_test=idx_test,
-                attention=attention, verbose=True, train_iters=81)
-        gcn.eval()
-        acc_test, output = gcn.test(idx_test=idx_test)
-        accs.append(acc_test.item())
-    mean = np.mean(accs)
-    std = np.std(accs)
-    return {"mean": mean, "std": std}
-
-最后，在扰动图上训练防御模型GNNGuard
-
-.. code-block:: python
-    flag = True
-    print('=== testing GNN on original(clean) graph (AutoGL) + GNNGuard ===')
-    print("acc_test:",test_autogl(adj, features, device, attention=flag))
-    print('=== testing GCN on perturbed graph (AutoGL) + GNNGuard ===')
-    print("acc_test:",test_autogl(modified_adj, features, device, attention=flag))
->>>>>>> 200a684ee5167c44f74d7ad704506ecbca7e11d6
+.. code-block:: python
+
+    flag = False
+    print('=== testing GNN on original(clean) graph (AutoGL) ===')
+    print("acc_test:",test_autogl(adj, features, device, attention=flag))
+    print('=== testing GCN on perturbed graph (AutoGL) ===')
+    print("acc_test:",test_autogl(modified_adj, features, device, attention=flag))
+
+训练图神经网络的细节如下：
+
+.. code-block:: python
+
+    def test_autogl(adj, features, device, attention):
+    ''
+    """test on GCN """
+    """model_name could be 'GCN', 'GAT', 'GIN','JK'  """
+    accs = []
+    for seed in tqdm(range(5)):
+        # defense model
+        gcn = AutoGNNGuard(
+                    num_features=pyg_data.num_node_features,
+                    num_classes=pyg_data.num_classes,
+                    device=args.device,
+                    init=False
+                ).from_hyper_parameter(model_hp).model
+        gcn = gcn.to(device)
+        gcn.fit(features, adj, labels, idx_train, idx_val=idx_val,
+                idx_test=idx_test,
+                attention=attention, verbose=True, train_iters=81)
+        gcn.eval()
+        acc_test, output = gcn.test(idx_test=idx_test)
+        accs.append(acc_test.item())
+    mean = np.mean(accs)
+    std = np.std(accs)
+    return {"mean": mean, "std": std}
+
+最后，在扰动图上训练防御模型GNNGuard
+
+.. code-block:: python
+
+    flag = True
+    print('=== testing GNN on original(clean) graph (AutoGL) + GNNGuard ===')
+    print("acc_test:",test_autogl(adj, features, device, attention=flag))
+    print('=== testing GCN on perturbed graph (AutoGL) + GNNGuard ===')
+    print("acc_test:",test_autogl(modified_adj, features, device, attention=flag))