fix: markdown lint error (missing blank line)

Author: codingmokey2025

…-tutorials/workshop/session1/.env.sample …angchain_agent_deploy_sample/.env.sample01-tutorials/workshop/session1/.env.sample renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/.env.sample 01-tutorials/workshop/session1/.env.sample renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/.env.sample

@@ -8,7 +8,8 @@
 
 我们将对比 `langchain_agent.py` (原生实现) 和 `agent.py` (AgentKit 适配版)，改造过程仅需以下 **3 点** 极小改动：
 
-1.  **引入 SDK 并初始化应用**
+1. **引入 SDK 并初始化应用**
+
     ```python
     # 引入 AgentKit SDK
     from agentkit.apps import AgentkitSimpleApp
@@ -17,38 +18,41 @@
     app = AgentkitSimpleApp()
     ```
 
-2.  **标记入口函数**
+2. **标记入口函数**
     使用 `@app.entrypoint` 装饰器标记您的主逻辑函数。
+
     ```python
     @app.entrypoint
     async def run(payload: dict, headers: dict):
         # 您的业务逻辑...
     ```
 
-3.  **按照标准协议返回**
+3. **按照标准协议返回**
     将原本直接打印到控制台的输出，改为 `yield` 返回标准 JSON 格式的 Event 数据。
+
     ```python
     # 原生 LangChain: print(chunk)
     # AgentKit 适配:
     yield json.dumps(event_data)
     ```
+
 这些改动是非侵入式的，您原有的 Chain 定义、Tool 定义和 Prompt 逻辑完全不需要修改。
 
 ## 核心功能
 
-1.  **构建 LangChain Agent**：使用 LangChain 1.0 标准范式构建具备工具调用能力的 ReAct Agent。
-2.  **AgentKit 快速适配**：通过 SDK 将本地 Agent 转换为生产级微服务，无需修改核心 Chain 逻辑。
-3.  **云端一键部署**：利用 AgentKit CLI 实现代码打包、镜像构建及环境变量的自动同步。
+1. **构建 LangChain Agent**：使用 LangChain 1.0 标准范式构建具备工具调用能力的 ReAct Agent。
+2. **AgentKit 快速适配**：通过 SDK 将本地 Agent 转换为生产级微服务，无需修改核心 Chain 逻辑。
+3. **云端一键部署**：利用 AgentKit CLI 实现代码打包、镜像构建及环境变量的自动同步。
 
 ## Agent 能力
 
 本 Agent 具备以下基础能力：
 
--   **自动化推理**：基于 ReAct 范式，自动分析用户问题并规划工具调用顺序。
--   **工具调用**：
-    -   `get_word_length`: 计算单词长度。
-    -   `add_numbers`: 执行数值加法运算。
--   **流式响应**：支持 SSE 标准协议，实时输出思考过程和最终结果。
+- **自动化推理**：基于 ReAct 范式，自动分析用户问题并规划工具调用顺序。
+- **工具调用**：
+  - `get_word_length`: 计算单词长度。
+  - `add_numbers`: 执行数值加法运算。
+- **流式响应**：支持 SSE 标准协议，实时输出思考过程和最终结果。
 
 ## 目录结构说明
 
@@ -66,32 +70,38 @@ session1/
 
 ### 前置准备
 
-1.  **依赖安装**
+1. **依赖安装**
     ```bash
     uv sync
     source .venv/bin/activate
     ```
 
-2.  **配置环境变量**
+2. **配置环境变量**
     ```bash
     cp .env.sample .env
     # 编辑 .env 文件，填入 OPENAI_API_KEY 等必填项
+
+    # 火山引擎访问凭证（必需）
+    export VOLCENGINE_ACCESS_KEY=<Your Access Key>
+    export VOLCENGINE_SECRET_KEY=<Your Secret Key>
     ```
 
 ### 调试方法
 
 **方式一：运行原生脚本** (验证 Agent 逻辑)
+
 ```bash
 uv run langchain_agent.py
 ```
 
 **方式二：运行 AgentKit 服务** (模拟生产环境)
+
 ```bash
 # 启动服务 (监听 8000 端口)
 uv run agent.py
 
 # 在新终端运行客户端测试
-uv run local_client.py
+uv run client.py
 ```
 
 ## AgentKit 部署
@@ -103,6 +113,7 @@ uv run local_client.py
 ```bash
 agentkit config
 ```
+
 此命令会引导您选择项目空间和镜像仓库等信息，生成 `agentkit.yaml`。
 
 ### 2. 部署上线
@@ -119,31 +130,31 @@ agentkit launch
 
 ```bash
 # <URL> 是 launch 命令输出的服务访问地址
-agentkit invoke --url <URL> 'Hello, can you calculate 10 + 20 and tell me the length of the word "AgentKit"?'
+agentkit invoke 'Hello, can you calculate 10 + 20 and tell me the length of the word "AgentKit"?'
 ```
 
 ## 示例提示词
 
--   "What is the length of the word 'Volcengine'?"
--   "Calculate 123 + 456."
--   "Hello, can you calculate 10 + 20 and tell me the length of the word 'AgentKit'?"
--   "Tell me a fun fact about Python." (此Agent不具备通用知识，会尝试使用工具或拒绝回答)
+- "What is the length of the word 'Volcengine'?"
+- "Calculate 123 + 456."
+- "Hello, can you calculate 10 + 20 and tell me the length of the word 'AgentKit'?"
+- "Tell me a fun fact about Python." (此Agent不具备通用知识，会尝试使用工具或拒绝回答)
 
 ## 效果展示
 
--   **本地脚本**：终端直接输出 ReAct 思考链，展示 Agent 的推理过程和最终结果。
--   **HTTP 服务**：客户端接收 SSE 流式事件，包含详细的 `on_llm_chunk` (LLM思考过程)、`on_tool_start` (工具调用开始)、`on_tool_end` (工具调用结束) 等状态信息，提供丰富的交互体验。
+- **本地脚本**：终端直接输出 ReAct 思考链，展示 Agent 的推理过程和最终结果。
+- **HTTP 服务**：客户端接收 SSE 流式事件，包含详细的 `on_llm_chunk` (LLM思考过程)、`on_tool_start` (工具调用开始)、`on_tool_end` (工具调用结束) 等状态信息，提供丰富的交互体验。
 
 ## 常见问题
 
--   **Q: 为什么提示 API Key 无效？**
-    -   A: 请确保 `.env` 文件中的 `OPENAI_API_KEY` 或其他模型服务商的 API Key 配置正确，且 `OPENAI_API_BASE` 与您使用的服务商（如火山方舟、OpenAI）匹配。
+- **Q: 为什么提示 API Key 无效？**
+  - A: 请确保 `.env` 文件中的 `OPENAI_API_KEY` 或其他模型服务商的 API Key 配置正确，且 `OPENAI_API_BASE` 与您使用的服务商（如火山方舟、OpenAI）匹配。
 
--   **Q: 部署时环境变量未生效？**
-    -   A: 请确认 `.env` 文件位于运行 `agentkit launch` 命令的当前项目根目录下。CLI 会自动查找并同步该文件。
+- **Q: 部署时环境变量未生效？**
+  - A: 请确认 `.env` 文件位于运行 `agentkit launch` 命令的当前项目根目录下。CLI 会自动查找并同步该文件。
 
--   **Q: Agent 无法回答通用知识问题？**
-    -   A: 本示例 Agent 主要演示工具调用能力，未集成通用知识库。如需回答通用知识，请扩展 Agent 的工具集或连接到知识库。
+- **Q: Agent 无法回答通用知识问题？**
+  - A: 本示例 Agent 主要演示工具调用能力，未集成通用知识库。如需回答通用知识，请扩展 Agent 的工具集或连接到知识库。
 
 ## 代码许可
 

01-tutorials/workshop/session1/README.md …/langchain_agent_deploy_sample/README.md01-tutorials/workshop/session1/README.md renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/README.md 01-tutorials/workshop/session1/README.md renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/README.md

@@ -1,5 +1,5 @@
 [project]
-name = "session1"
+name = "langchain_agent_deploy_sample"
 version = "0.1.0"
 description = "Add your description here"
 readme = "README.md"

01-tutorials/workshop/session1/agent.py …1/langchain_agent_deploy_sample/agent.py01-tutorials/workshop/session1/agent.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/agent.py 01-tutorials/workshop/session1/agent.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/agent.py

@@ -0,0 +1 @@
+AGENTKIT_TOOL_ID=t-yebeztqadco2eybtg59c

…orials/workshop/session1/local_client.py …/langchain_agent_deploy_sample/client.py01-tutorials/workshop/session1/local_client.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/client.py 01-tutorials/workshop/session1/local_client.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/client.py

@@ -0,0 +1,127 @@
+# Session 1 - 带有 Sandbox 工具的智能体
+
+## 概述
+
+本示例演示了一个集成代码沙箱（Sandbox）执行能力的智能体。该智能体可以编写并执行 Python 代码，用于解决数学计算、模拟实验或逻辑谜题等任务。
+
+## 核心功能
+
+1.  **Sandbox集成**：集成安全沙箱环境，支持 Python 代码的动态生成与执行。
+2.  **复杂计算**：利用 Python 强大的计算库解决自然语言难以处理的数学和逻辑问题。
+3.  **AgentKit 适配**：符合 AgentKit 标准协议，支持云端部署和流式交互。
+
+## Agent 能力
+
+本 Agent 具备以下基础能力：
+
+-   **代码执行**：通过 `run_code` 工具在沙箱中执行 Python 代码。
+-   **动态计算**：编写算法解决复杂计算问题（如蒙特卡洛模拟）。
+-   **结果反馈**：执行结果直接反馈给智能体，辅助生成最终答案。
+
+## 目录结构说明
+
+```bash
+sandbox_tool_sample/
+├── agent.py               # 智能体核心逻辑，集成了 run_code 工具
+├── client.py              # 本地测试客户端
+├── agentkit.yaml          # AgentKit 部署配置文件
+├── .env                   # 环境变量配置文件
+└── README.md              # 说明文档  
+```
+
+## 本地运行
+
+### 1. 前置准备
+
+在 AgentKit 平台创建沙箱工具，获取工具 ID，步骤如下：
+
+1.  登录 AgentKit 平台进入 Sandbox 页面
+
+    ![toolpage](./assets/images/tool_page.png)
+
+2.  创建沙箱工具
+
+    ![create](./assets/images/tool_create.png)
+
+3.  获取工具 ID
+
+    ![get](./assets/images/tool_id.png)
+
+环境配置：确保已安装 `uv` 并配置好环境变量。
+
+```bash
+uv sync
+source .venv/bin/activate
+cp .env.sample .env
+# 编辑 .env 文件，填入必要的 AGENTKIT_TOOL_ID 环境变量
+
+# 火山引擎访问凭证（必需）
+export VOLCENGINE_ACCESS_KEY=<Your Access Key>
+export VOLCENGINE_SECRET_KEY=<Your Secret Key>
+```
+
+### 2. 启动服务与测试
+
+首先，使用以下命令启动智能体服务（默认监听 8000 端口）：
+
+```bash
+uv run agent.py
+```
+
+在保持服务运行的同时，打开一个新的终端窗口，运行本地测试客户端：
+
+```bash
+uv run client.py
+```
+
+`client.py` 会向智能体发送请求，验证其代码生成与执行能力。
+
+## AgentKit 部署
+
+部署过程完全自动化，支持 `.env` 环境变量自动同步。
+
+### 1. 初始化配置
+
+```bash
+agentkit config
+```
+
+此命令会以交互方式引导您完成配置，生成 `agentkit.yaml` 文件。
+
+### 2. 部署上线
+
+```bash
+agentkit launch
+```
+
+`agentkit launch` 会将智能体部署到 AgentKit 平台，并自动同步本地 `.env` 中的环境变量。
+
+### 3. 在线测试
+
+部署完成后，您可以使用 CLI 直接调用云端智能体：
+
+```bash
+agentkit invoke '帮我通过蒙特卡洛模拟算一下圆周率 PI 的值'
+```
+
+## 示例提示词
+
+-   "帮我通过蒙特卡洛模拟算一下圆周率 PI 的值"
+-   "用 Python 计算第 100 个斐波那契数"
+-   "生成一个 10 个随机数的列表并排序"
+
+## 效果展示
+
+-   **代码生成**：Agent 会根据问题自动生成 Python 代码。
+-   **执行反馈**：Sandbox 执行代码并返回 stdout/stderr，Agent 根据输出回答问题。
+
+## 常见问题
+
+-   **Q: 为什么代码执行失败？**
+    -   A: 请检查 AGENTKIT_TOOL_ID 是否正确，以及网络是否通畅。
+-   **Q: 沙箱支持哪些库？**
+    -   A: 默认支持 Python 标准库。
+
+## 代码许可
+
+本工程遵循 Apache 2.0 License。

…als/workshop/session1/langchain_agent.py …n_agent_deploy_sample/langchain_agent.py01-tutorials/workshop/session1/langchain_agent.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/langchain_agent.py 01-tutorials/workshop/session1/langchain_agent.py renamed to 01-tutorials/workshop/session1/langchain_agent_deploy_sample/langchain_agent.py

@@ -0,0 +1,39 @@
+import logging
+import os
+
+from google.adk.agents import RunConfig
+from google.adk.agents.run_config import StreamingMode
+from google.genai.types import Content, Part
+from veadk import Agent, Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+from veadk.tools.builtin_tools.web_search import web_search
+from veadk.tools.builtin_tools.run_code import run_code
+
+from agentkit.apps import AgentkitAgentServerApp
+
+short_term_memory = ShortTermMemory(backend="local")
+
+from agentkit.apps import AgentkitSimpleApp
+
+logger = logging.getLogger(__name__)
+
+app_name = "agent_with_runcode"
+
+agent: Agent = Agent(
+    name="code_agent",
+    model_name="doubao-seed-1-6-251015",
+    description="A fun Python coding assistant",
+    instruction="你是一个有趣的Python代码实验员。你的任务是利用沙箱环境解决各种有趣的问题。比如：通过蒙特卡洛方法模拟概率问题，生成有趣的ASCII艺术字，或者通过算法解决逻辑谜题。请尽量使用 Python 标准库，必须使用 `run_code` 工具执行代码并向用户展示结果。避免复杂的外部依赖安装。",
+    tools=[run_code],
+)
+
+runner = Runner(agent=agent, app_name=app_name)
+root_agent = agent
+
+agent_server_app = AgentkitAgentServerApp(
+    agent=agent, short_term_memory=short_term_memory,  
+)
+
+if __name__ == "__main__":
+    agent_server_app.run(host="0.0.0.0", port=8000)
+