diff --git a/scripts/make.py b/scripts/make.py
index a3fe6c1..7d6020b 100644
--- a/scripts/make.py
+++ b/scripts/make.py
@@ -142,9 +142,14 @@ def pdfgenr(post):
         metainj(tmp_dir + "index.tex")
         texpost(tmp_dir + "index.tex")
         texcomp("drvpst.ltx")
+        if not os.path.exists(tmp_dir + "index.pdf"):
+                print(f"   LaTeX failed: {post} (no PDF produced); skipping")
+                shutil.rmtree(tmp_dir, ignore_errors=True)
+                return False
         shutil.copy(tmp_dir + "index.tex", pbl_dir + post + "/index.tex")
         shutil.copy(tmp_dir + "index.pdf", pbl_dir + post + "/index.pdf")
         shutil.rmtree(tmp_dir)
+        return True
 
 def post():
         # Compiles each post, specifically converts the .md file to a .tex file
@@ -165,10 +170,9 @@ def post():
                         print(f"        Skipping post: {post} #{hsh}")
                         continue
                 print(f"      Processing post: {post}")
-                # Write markdown hash to file `sha256`
-                File(pbl_dir + post + "/sha256").write(hsh)
-                # Compile PDF
-                pdfgenr(post)
+                # Compile PDF; only record the hash on success so failed posts are retried
+                if pdfgenr(post):
+                        File(pbl_dir + post + "/sha256").write(hsh)
         # Cleaning
         os.chdir(utl_dir)
         print("          Cleaning up:")
diff --git a/src/content/blog/2026-02-13/index.md b/src/content/blog/2026-02-13/index.md
index a7bc181..6d7a8d0 100644
--- a/src/content/blog/2026-02-13/index.md
+++ b/src/content/blog/2026-02-13/index.md
@@ -18,7 +18,7 @@ pdf: true
 
 路径规划算法可大致分为搜索类、采样类和优化类三大类型。搜索类以 Dijkstra 和 A*为代表，前者通过非负权图的最短路径求解实现全局最优，但忽略启发式信息导致效率低下；A*引入 admissible 启发式函数$h(n)$，如欧氏距离$\sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}$，平衡了路径代价$g(n)$和估计代价$f(n) = g(n) + h(n)$，时间复杂度为$O((V+E)\log V)$，优点是最优性强，缺点是节点膨胀严重。采样类如 RRT 和 PRM 适用于高维空间，通过随机采样构建概率完整路图，时间复杂度约$O(n \log n)$，优点是维度无关，缺点是路径平滑度差且非确定最优。优化类如 D*和 Jump Point Search 针对动态重规划，视场景复杂度而定。
 
-数学基础建立在状态空间模型上。将环境抽象为图$G=(V,E)$，其中$V$为可行配置空间节点，$E$为边集，代价函数$c(u,v)$表示从$u$到$v$的移动成本。A*的核心是启发式函数$h(n)$需满足 admissible 条件，即$h(n) \leq h^*(n)$（真实最优代价），且 consistent 条件$h(n) \leq c(n, n') + h(n')$，确保单次扩展的最优性。这些性质通过优先队列（如堆）实现$f(n)$最小节点弹出。
+数学基础建立在状态空间模型上。将环境抽象为图$G=(V,E)$，其中$V$为可行配置空间节点，$E$为边集，代价函数$c(u,v)$表示从$u$到$v$的移动成本。A*的核心是启发式函数$h(n)$需满足 admissible 条件，即$h(n) \leq h^{*}(n)$（真实最优代价），且 consistent 条件$h(n) \leq c(n, n') + h(n')$，确保单次扩展的最优性。这些性质通过优先队列（如堆）实现$f(n)$最小节点弹出。
 
 性能评估依赖多维指标：路径长度衡量总代价，最优性比较基准解偏差，计算时间记录平均/最坏情况，内存占用追踪开放/闭合集大小，成功率统计复杂场景下求解比例。这些指标为优化提供量化依据，例如在仓库环境中，成功率低于 90% 的算法即视为不合格。