fix: verify 6 beginner cases except a2a

02-use-cases/beginner/callback/agent.py

@@ -2,15 +2,15 @@
 from veadk import Agent, Runner
 from veadk.memory import ShortTermMemory
 
-from .callbacks import (
+from callbacks import (
     after_agent_callback,
     after_model_callback,
     after_tool_callback,
     before_agent_callback,
     before_model_callback,
     before_tool_callback,
 )
-from .tools import write_article
+from tools import write_article
 
 root_agent = Agent(
     name="ChineseContentModerator",

02-use-cases/beginner/hello_world/agent.py

@@ -7,7 +7,11 @@
 user_id = "veadk_playground_user_short_term_local"
 session_id = "veadk_playground_session_short_term_local"
 
-agent = Agent()
+agent = Agent(
+    name="hello_world",
+    description="hello world agent",
+    instruction="""你是一个智能助手，擅长用中文礼貌回复用户的问题。""",
+)
 short_term_memory = ShortTermMemory(backend="local")
 
 runner = Runner(

02-use-cases/beginner/multi_agents/README.md

@@ -250,7 +250,7 @@ agentkit config
 agentkit launch
 
 # 测试部署的 Agent
-agentkit invoke '我想买一台火山引擎虚拟机，用来做图像处理，可以帮我介绍一下哪个规格更适合我吗'
+agentkit invoke '我想买一台手机，用来玩游戏，可以帮我介绍一下哪个款式更适合我吗？'
 ```
 
 ## 示例提示词
@@ -273,19 +273,18 @@ Agent：[Pre-process Agent 分析需求]
 ### 场景二：产品咨询（并行搜索）
 
 ```text
-用户：我想买一台火山引擎虚拟机，用来做图像处理，可以帮我介绍一下哪个规格更适合我吗？
+用户：我想买一台手机，用来玩游戏，可以帮我介绍一下哪个款式更适合我吗？
 
 Agent 执行流程：
 1. [Pre-process Agent] 提取关键信息：
-   - 需求：虚拟机
-   - 用途：图像处理
-   - 目标：规格推荐
+   - 需求：手机
+   - 用途：玩游戏
+   - 目标：款式推荐
 
 2. [Sequential Service Agent] 启动工作流
 
 3. [Parallel Get Info Agent] 并行获取信息：
-   ├── [RAG Search Agent] 搜索内部知识库
-   │   找到：GPU 实例规格文档
+   ├── [RAG Search Agent] 搜索内部知识库 # 这里简化，没有真正去读 RAG
    └── [Web Search Agent] 搜索互联网
        找到：图像处理性能对比
 
@@ -296,22 +295,10 @@ Agent 执行流程：
        优化：增加礼貌用语和结构化
 
 Agent：根据您的图像处理需求，我为您推荐以下规格：
-
-      1. **GPU 通用型 - ecs.g2n.2xlarge**
-         - GPU: NVIDIA V100 16GB
-         - vCPU: 8核
-         - 内存: 32GB
-         - 适合: 深度学习图像处理
-         - 价格: 约5元/小时
-
-      2. **GPU 计算型 - ecs.gn6v.xlarge**
-         - GPU: NVIDIA T4 16GB
-         - vCPU: 4核
-         - 内存: 16GB
-         - 适合: 图像识别和渲染
-         - 价格: 约3元/小时
-
-      如需更详细的配置方案或有其他问题，欢迎随时咨询！
+        商品名称：星辰智能手机Pro
+        价格：4999元
+        核心配置：骁龙8 Gen3（高性能处理器，适合游戏运行）、5000mAh（大电池支持长时间游戏）
+        其他福利：支持12期免息
 ```
 
 ### 场景三：订单问题（完整流程）
@@ -328,7 +315,7 @@ Agent 执行流程：
 2. [Sequential Service Agent] 启动工作流
 
 3. [Parallel Get Info Agent] 并行查询：
-   ├── [RAG Search Agent] 查询订单系统
+   ├── [RAG Search Agent] 查询订单系统  # 这里简化，没有真正去读 RAG
    │   结果：订单已发货，物流单号 SF123456
    └── [Web Search Agent] 查询物流信息
        结果：快件在途中，预计明天送达

02-use-cases/beginner/multi_agents/client.py

@@ -54,7 +54,8 @@ async def send_request(message: str):
 
     async def send_request_parallel():
         await send_request(
-            "我想买一台火山引擎虚拟机，用来做图像处理，可以帮我介绍一下哪个规格更适合我吗？"
+            "我想买一台手机，用来玩游戏，可以帮我介绍一下哪个款式更适合我吗？"
+            # "我的订单 12345 什么时候发货？已经等了 3 天了"
         )
 
     asyncio.run(send_request_parallel())

02-use-cases/beginner/multi_agents/prompts.py

@@ -73,6 +73,12 @@
 - Q: 积分怎么获取？A: 每消费1元获得1积分，评价晒单额外+10积分
 - Q: 订单可以修改地址吗？A: 发货前可在"我的订单"中修改收货地址
 
+### 其中一个客户订单
+订单号：12345
+物流单号：SF123456（顺丰速运）
+当前状态：运输途中
+预计送达：明天（12月9日）
+
 ---
 
 【核心职责】  

02-use-cases/beginner/vikingdb/README.md

@@ -198,7 +198,7 @@ uv run agent.py
 
 # 配置部署参数,DATABASE_TOS_BUCKET环境变量需要传入到Agent中，用来上传本地文件到TOS，进而将文件从TOS导入到知识库中
 agentkit config \
---agent_name vikingdb_agnet \
+--agent_name vikingdb_agent \
 --entry_point 'agent.py' \
 --runtime_envs DATABASE_TOS_BUCKET=agentkit-platform-2107625663 \
 --runtime_envs DATABASE_VIKING_COLLECTION=agentkit_knowledge_app \

02-use-cases/beginner/vikingmem/README.md

@@ -200,7 +200,7 @@ cd vikingmem
 
 # 配置部署参数
 agentkit config \
---agent_name vikingmem_agnet \
+--agent_name vikingmem_agent \
 --entry_point 'agent.py' \
 --runtime_envs VIKINGMEM_APP_NAME=vikingmem_agent_app \
 --launch_type cloud
@@ -219,41 +219,36 @@ agentkit invoke 'What is my habby?'
 **存入信息到短期记忆**：
 
 ```text
-用户：My habby is 0xabcd
-Agent：Got it! Your hobby is 0xabcd.
+用户：我的爱好是 0xabcd
+Agent：你的爱好是 0xabcd.
 （信息存储在 session: history_session）
 ```
 
 **同会话查询（成功）**：
 
 ```text
-用户：What is my habby?
-Agent：Your hobby is 0xabcd.
+用户：我的爱好是什么？
+Agent：你的爱好是 0xabcd.
 （使用相同的 session_id: history_session）
 ```
 
-**新会话查询（失败）**：
-
-```text
-用户：What is my habby?
-Agent：I don't have that information.
-（使用不同的 session_id: new_session，短期记忆不可用）
-```
-
 ### 长期记忆测试
 
 **转换为长期记忆**：
 
 ```python
-# 将短期记忆保存到长期记忆
-await runner1.save_session_to_long_term_memory(session_id=history_session_id)
+# 将短期记忆保存到长期记忆，这里我们已经默认给加到了长期记忆中
+# 仅做记忆保存的演示，可以实现一个 tools，然后让 agent 根据实际需求选择会话内容保存到长期记忆中
+async def after_agent_execution(callback_context: CallbackContext):
+    session = callback_context._invocation_context.session
+    await long_term_memory.add_session_to_memory(session)
 ```
 
 **跨会话查询（成功）**：
 
 ```text
-用户：What is my habby?
-Agent：Based on my memory, your hobby is 0xabcd.
+用户：我的爱好是什么？
+Agent：根据记忆，你的爱好是 0xabcd.
 （使用新的 session_id: new_session，长期记忆生效）
 （Agent 自动调用 LoadMemory 工具检索历史信息）
 ```
@@ -263,15 +258,15 @@ Agent：Based on my memory, your hobby is 0xabcd.
 运行 `local_test.py` 可以看到完整的记忆功能演示：
 
 ```text
-Response 1: Got it! Your hobby is 0xabcd.
+Response 1: 你的爱好是 0xabcd.
 
-Response 2: Your hobby is 0xabcd.
+Response 2: 你的爱好是 0xabcd.
 （短期记忆生效）
 
-Response 3: I don't have that information.
+Response 3: 我没有这个信息.
 （新会话，短期记忆失效）
 
-Response 4: Based on my memory, your hobby is 0xabcd.
+Response 4: 根据我的记忆，你的爱好是 0xabcd.
 （长期记忆生效，跨会话检索成功）
 ```
 

02-use-cases/beginner/vikingmem/agent.py

@@ -17,6 +17,14 @@
 from agentkit.apps import AgentkitAgentServerApp
 from veadk import Agent, Runner
 from veadk.memory import LongTermMemory, ShortTermMemory
+from google.adk.agents.callback_context import CallbackContext
+
+
+# 这里仅做记忆保存的演示，实际根据需求选择会话保存到长期记忆中
+async def after_agent_execution(callback_context: CallbackContext):
+    session = callback_context._invocation_context.session
+    await long_term_memory.add_session_to_memory(session)
+
 
 vikingmem_app_name = os.getenv("VIKINGMEM_APP_NAME", "vikingmem_agent_app")
 
@@ -26,6 +34,7 @@
     name="vikingmem_agent",
     instruction="Use LoadMemory tool to search previous info.",
     long_term_memory=long_term_memory,
+    after_agent_callback=after_agent_execution,
 )
 
 runner = Runner(

02-use-cases/stock_analysis/README.md

@@ -4,6 +4,8 @@
 
 这是一个基于火山引擎AgentKit构建的具备股票分析功能的智能助手。
 
+本助手仅作教程使用，输出内容不构成投资建议，请您根据应用场景合理使用或修改，必要时可以寻求专业投资顾问的指导。
+
 ## 核心功能
 
 - 功能 1：股票数据分析