diff --git a/docs/docs/.vuepress/config.js b/docs/docs/.vuepress/config.js
index 2141fde0..3dd49984 100644
--- a/docs/docs/.vuepress/config.js
+++ b/docs/docs/.vuepress/config.js
@@ -13,7 +13,7 @@ export default defineUserConfig({
 
     navbar: ['/', '/introduction'],
 
-    sidebar: ['introduction', 'installation', 'get-started', 'agent', 'memory', 'knowledgebase', 'tracing', 'evaluation', 'deploy', 'cli', 'veadk-studio']
+    sidebar: ['introduction', 'installation', 'get-started', 'agent', 'memory', 'tool', 'knowledgebase', 'tracing', 'evaluation', 'deploy', 'cli', 'veadk-studio']
   }),
 
   bundler: viteBundler(),
diff --git a/docs/docs/.vuepress/public/images/memory-optimization.png b/docs/docs/.vuepress/public/images/memory-optimization.png
new file mode 100644
index 00000000..1d2f572e
Binary files /dev/null and b/docs/docs/.vuepress/public/images/memory-optimization.png differ
diff --git a/docs/docs/.vuepress/public/images/tracing-apmplus.png b/docs/docs/.vuepress/public/images/tracing-apmplus.png
new file mode 100644
index 00000000..62bb5bcd6
Binary files /dev/null and b/docs/docs/.vuepress/public/images/tracing-apmplus.png differ
diff --git a/docs/docs/.vuepress/public/images/tracing-file.png b/docs/docs/.vuepress/public/images/tracing-file.png
new file mode 100644
index 00000000..8cafebd3
Binary files /dev/null and b/docs/docs/.vuepress/public/images/tracing-file.png differ
diff --git a/docs/docs/agent.md b/docs/docs/agent.md
index ae0b064f..322ad4b2 100644
--- a/docs/docs/agent.md
+++ b/docs/docs/agent.md
@@ -1,23 +1,59 @@
 # 智能体
 
+智能体 Agent 是一个具备完整功能的执行单元，依托内置的大模型推理能力，其不仅可以独立完成各类任务、与用户进行智能交互、调用外部工具资源，还能实现与其他 Agent 之间的协同配合。
+
 ## 属性
 
-Agent中主要包括如下属性：
+Agent 中主要包括如下属性：
 
 | 属性 | 类型 | 说明 |
 | --- | --- | --- |
-| name | str | Agent的名称，即标识符 |
-| description | str | Agent的描述，后续会被构建为系统提示词的一部分；也被用来在A2A协议中进行Agent挑选 |
-| instruction | str | Agent中内置模型的系统提示词 |
-| tools | list | Function call中的工具列表，既可以是本地工具，也可以是MCP工具 |
-| sub_agents | list | 子Agent列表，用于多Agent之间交互 |
-| long_term_memory | Vector database | 长期记忆，后端通常为一个向量数据库（Vector database），能够检索 |
-| knowledgebase | Vector database | 知识库，后端通常为一个向量数据库（Vector database），能够检索 |
-| tracers | list | 追踪器列表，能够定义不同的追踪方式，并在Agent执行完毕后对整体Tracing信息保存至本地 |
+| name | str | Agent 的名称，即标识符 |
+| description | str | Agent 的描述，后续会被构建为系统提示词的一部分，也被用来在A2A协议中进行 Agent 挑选 |
+| instruction | str | Agent 中内置模型的系统提示词 |
+| model_name | str | Agent 中内置模型的名称，默认从环境变量中获取 |
+| model_provider | str | Agent 中内置模型的提供商，默认从环境变量中获取 |
+| model_api_base | str | Agent 中内置模型的 API Base，默认从环境变量中获取 |
+| model_api_key | str | Agent 中内置模型的 API Key，默认从环境变量中获取 |
+| tools | list | Function call 中的工具列表，既可以是本地工具，也可以是 MCP 工具 |
+| sub_agents | list | 子 Agent 列表，用于多 Agent 之间交互 |
+| knowledgebase | KnowledgeBase | 知识库，后端支持本地内存（local）和数据库（opensearch、viking、redis、mysql），通常设置为一个能够检索的向量数据库 |
+| long_term_memory | LongTermMemory | 长期记忆，后端支持本地内存（local）和数据库（opensearch、viking、redis、mysql），通常设置为一个能够检索的向量数据库 |
+| tracers | list | 追踪器列表，能够定义不同的追踪方式，并在 Agent 执行完毕后将整体 Tracing 信息保存至本地 |
+| serve_url | str | Agent 服务主机的 URL，将显示在 Agent Card 中 |
+
+## 运行
+
+在生产环境中，我们推荐您使用 VeADK 的`Runner`执行器来进行多租户服务与 Agent 运行，在多租场景下，`Runner`通过三个属性来确定资源空间：
+
+- `app_name`：应用名称
+- `user_id`：用户ID
+- `session_id`：某个用户某次会话的ID
+
+```python
+from veadk import Agent, Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+
+# Define Runner config
+APP_NAME = "..."
+USER_ID = "..."
+SESSION_ID = "..."
+
+agent = Agent()
+
+runner = Runner(
+    agent=agent,
+    short_term_memory=ShortTermMemory(),
+    app_name=APP_NAME,
+    user_id=USER_ID
+)
+
+response = await runner.run(messages="...", session_id=SESSION_ID)
+```
 
-## A2A智能体
+## A2A 智能体
 
-当你的智能体部署到云上后，可以在本地被初始化为一个Remote Agent，也就是能够通过A2A协议来访问的智能体，初始化方法如下：
+当智能体部署到云上后，可以在本地被初始化为一个 Remote Agent，也就是能够通过 A2A 协议来访问的智能体，初始化方法如下：
 
 ```python
 remote_agent = RemoteVeAgent(
@@ -29,33 +65,50 @@ short_term_memory = ShortTermMemory()
 runner = Runner(
     agent=remote_agent,
     short_term_memory=short_term_memory
-    )
+)
 
 res = await runner.run(
     messages="...",
     session_id="sample_session"
-    )
+)
 ```
 
-## 运行
+## 多智能体
+
+使用 VeADK 可以构建多 Agent 协作， 主 Agent 通过 `sub_agents` 机制协调多个子 Agent 完成复杂任务。以下代码示例分别定义了三个 Agent：
+
+- weather_reporter：负责获取指定城市的天气信息（调用了 `get_city_weather` 工具）。
+- suggester：根据天气情况给出穿衣建议。
+- planner_agent：作为“调度员”，先调用 `weather_reporter` 获取天气，再调用 `suggester` 获取建议，最后将结果整合返回给用户。
 
-在生产环境中，我们推荐您使用`Runner`来进行多租户服务：
+该多智能体协作能更好的满足用户的需求。
 
 ```python
 from veadk import Agent, Runner
 from veadk.memory.short_term_memory import ShortTermMemory
+from veadk.tools.demo_tools import get_city_weather
 
-# Define runner config
-APP_NAME = ""
-USER_ID = ""
-SESSION_ID = ""
+session_id = "..."
+prompt = "..."
 
-agent = Agent()
+# define three agents, one for planner, two for write poem and polish
+weather_reporter = Agent(
+    name="weather_reporter",
+    description="A weather reporter agent to report the weather.",
+    tools=[get_city_weather],
+)
+suggester = Agent(
+    name="suggester",
+    description="A suggester agent that can give some clothing suggestions according to a city's weather.",
+)
 
-runner = Runner(
-    agent=agent,
-    short_term_memory=ShortTermMemory()
-    )
+planner_agent = Agent(
+    name="planner",
+    description="A planner that can generate a suggestion according to a city's weather.",
+    instruction="Invoke weather reporter agent first to get the weather, then invoke suggester agent to get the suggestion. Return the final response to user.",
+    sub_agents=[weather_reporter, suggester],
+)
 
+runner = Runner(agent=planner_agent, short_term_memory=ShortTermMemory())
 response = await runner.run(messages=prompt, session_id=session_id)
-```
+```
\ No newline at end of file
diff --git a/docs/docs/evaluation.md b/docs/docs/evaluation.md
index 4c0a62b5..9777a99b 100644
--- a/docs/docs/evaluation.md
+++ b/docs/docs/evaluation.md
@@ -1,45 +1,71 @@
 # 评测
 
-VeADK构建一套完整的自动化Evaluation流程，主要能力包括：
+VeADK 构建一套完整的自动化评测（Evaluation）流程，其主要功能包括：
 
-- 运行时数据采集：通过collect_runtime_data开启
-- 测试集文件生成：开启后自动dump到本地
-- 评测：通过不同的evaluator或adk eval命令进行测试
-- 反馈优化：自动根据评测结果（score reason等属性）优化prompts
+- 运行时数据采集：自动捕获 Agent 的运行时数据
+- 测试集文件生成：Agent 运行后自动将运行时数据作为测试数据集（Eval Set）导出到本地
+- 评测：通过多种评测器（Evaluator）进行评测
+- 反馈优化：根据评测结果（如评测得分，原因分析等）自动优化 prompts
 
 ## 运行时数据采集
 
+VeADK 可以通过两种方式采集 Agent 的运行时数据。
+
+对于 `agent.run()` 方法，在调用时设置 `collect_runtime_data=True` 即可开启数据采集。运行结束后，运行时数据构成的评测集文件将保存在 `agent._dump_path` 指定的路径。
+
+```python
+await agent.run(
+    prompt,
+    collect_runtime_data=True,
+    eval_set_id=f"eval_demo_set_{get_current_time()}",
+)
+# get expect output
+dump_path = agent._dump_path
+assert dump_path != "", "Dump eval set file failed! Please check runtime logs."
+```
+
+对于 `Runner` 执行器，在 Agent 运行结束后，通过调用 `runner.save_eval_set()` 将运行时数据构成的评测集文件保存在默认路径。
+
 ```python
-from veadk.evaluation import EvalSetRecorder
+runner = Runner(
+    agent=agent,
+    short_term_memory=ShortTermMemory(),
+)
 
-# 在希望进行数据dump处初始化一个EvalSetRecorder
-eval_set_recorder = EvalSetRecorder(session_service, eval_set_id)
+await runner.run(messages=prompts, session_id=session_id)
 
-# dump数据，为Json格式
-dump_path = await eval_set_recorder.dump(app_name, user_id, session_id)
+dump_path = await runner.save_eval_set(session_id=session_id)
+assert dump_path != "", "Dump eval set file failed! Please check runtime logs."
 ```
 
 ## 评测集文件
 
-评测集文件格式兼容Google Evaluation，详见[评测集文件格式](https://google.github.io/adk-docs/evaluate/#how-evaluation-works-with-the-adk)。
+评测集文件格式兼容 Google Evaluation 标准，详见[评测集文件格式](https://google.github.io/adk-docs/evaluate/#how-evaluation-works-with-the-adk)。评测集本地保存过程中，会考虑所有会话。
 
-评测集本地保存过程中，均考虑当前会话。下面是一些概念对齐：
+文件结构说明：
 
-- `test_case`：所有对话轮次
-- `invocation`：一轮对话
+- `eval_cases`：所有对话轮次
+- `conversation`：一轮对话
+  - `user_content`：用户的输入
+  - `final_response`：Agent 的最后输出
+  - `intermediate_data`：中间数据
+    - `tool_uses`：Agent 使用的工具
+    - `intermediate_responses`：Agent 的中间会话
 
-## 评测器
+## 评测
 
-当前VeADK支持Deepeval评测器，通过如下方式定义：
+VeADK 目前支持 [DeepEval](https://deepeval.com/) 评测器和 [ADKEval](https://google.github.io/adk-docs/evaluate/)，通过如下方式定义评测器：
 
 ```python
 from veadk.evaluation.deepeval_evaluator import DeepevalEvaluator
+from veadk.evaluation.adk_evaluator.adk_evaluator import ADKEvaluator
 
 # 当然，你还可以传入`judge_model`等相关信息
 evaluator = DeepevalEvaluator()
-```
 
-## 评测方法
+# Alternatively:
+# evaluator = ADKEvaluator()
+```
 
 启动标准的评测接口：
 
@@ -47,26 +73,85 @@ evaluator = DeepevalEvaluator()
 await evaluator.eval(eval_set_file_path=dump_path, metrics=metrics)
 ```
 
-其中，输入：
+参数说明：
 
 - `eval_set_file_path`：评测集文件路径
-- `metrics`：评测指标
-
-不同的评测指标在不同测试框架中可能不同。
+- `metrics`：评测指标，不同的评测指标在不同测试框架中可能不同。
 
 ## 数据上报
 
-评测结果可以自动上报至火山引擎的VMP平台，只需要在定义评估器的时候传入Prometheus pushgateway的相关参数：
+评测结果可以自动上报至火山引擎的 [VMP](https://console.volcengine.com/prometheus) 平台，只需要在定义评估器的时候传入 Prometheus pushgateway 等相关参数即可，可在 `config.yaml` 中进行配置并从环境变量中自动读取：
 
 ```python
 from veadk.evaluation.utils.prometheus import PrometheusPushgatewayConfig
 
-# 可以自动从环境变量中读取相关配置
+# Load Prometheus configuration (can be read from environment variables)
 prometheus_config = PrometheusPushgatewayConfig()
 
-# 传入到评估器中
+# Pass config into evaluator
 evaluator = DeepevalEvaluator(
     ...,
     prometheus_config=prometheus_config,
 )
+```
+
+## 完整示例
+
+以下是使用 DeepEval 评测器的完整例子。其中定义了 [GEval](https://deepeval.com/docs/metrics-llm-evals) 指标和 [ToolCorrectnessMetric](https://deepeval.com/docs/metrics-tool-correctness) 指标，分别用于整体输出质量评估和工具调用正确率评估，并将评测结果上报至火山引擎的 VMP 平台：
+
+```python
+import asyncio
+import os
+from builtin_tools.agent import agent
+
+from deepeval.metrics import GEval, ToolCorrectnessMetric
+from deepeval.test_case import LLMTestCaseParams
+from veadk.config import getenv
+from veadk.evaluation.deepeval_evaluator import DeepevalEvaluator
+from veadk.evaluation.utils.prometheus import PrometheusPushgatewayConfig
+from veadk.prompts.prompt_evaluator import eval_principle_prompt
+
+prometheus_config = PrometheusPushgatewayConfig()
+
+# 1. Rollout, and generate eval set file
+# await agent.run(
+#     prompt,
+#     collect_runtime_data=True,
+#     eval_set_id=f"eval_demo_set_{get_current_time()}",
+# )
+# # get expect output
+# dump_path = agent._dump_path
+# assert dump_path != "", "Dump eval set file failed! Please check runtime logs."
+
+# 2. Evaluate in terms of eval set file
+evaluator = DeepevalEvaluator(
+    agent=agent,
+    judge_model_name=getenv("MODEL_JUDGE_NAME"),
+    judge_model_api_base=getenv("MODEL_JUDGE_API_BASE"),
+    judge_model_api_key=getenv("MODEL_JUDGE_API_KEY"),
+    prometheus_config=prometheus_config,
+)
+
+# 3. Define evaluation metrics
+metrics = [
+    GEval(
+        threshold=0.8,
+        name="Base Evaluation",
+        criteria=eval_principle_prompt,
+        evaluation_params=[
+            LLMTestCaseParams.INPUT,
+            LLMTestCaseParams.ACTUAL_OUTPUT,
+            LLMTestCaseParams.EXPECTED_OUTPUT,
+        ],
+    ),
+    ToolCorrectnessMetric(
+        threshold=0.5
+    ), 
+]
+
+# 4. Run evaluation
+eval_set_file_path = os.path.join(
+    os.path.dirname(__file__), "builtin_tools", "evalsetf0aef1.evalset.json"
+)
+await evaluator.eval(eval_set_file_path=eval_set_file_path, metrics=metrics)
 ```
\ No newline at end of file
diff --git a/docs/docs/get-started.md b/docs/docs/get-started.md
index 3b5a8dab..a5f9220e 100644
--- a/docs/docs/get-started.md
+++ b/docs/docs/get-started.md
@@ -1,77 +1,48 @@
 # 快速开始
 
-## 最简Agent
+## 安装 VeADK
+参考[安装](./installation.md)文档进行配置，并将`config.yaml`配置文件放在项目根目录。
 
-当你设置完环境变量后，你可以创建一个最简单的聊天智能体：
+## 构建 Agent
+
+当你安装 VeADK 并完成配置后，您可以构建一个查询天气的智能体，该智能体配置了内置的模拟查询天气的函数工具`get_city_weather`：
 
 ```python
 from veadk import Agent
+from veadk.tools.demo_tools import get_city_weather
 
-agent = Agent()
+agent = Agent(tools=[get_city_weather])
 ```
+## 执行 Agent
 
-由于某些操作是异步的，因此Agent的运行需要在异步环境中进行：
-
-::: warning
-我们在`Agent`类中提供的`run`方法仅为了本地测试和开发使用，由于该函数位于一个异步与同步函数共存的运行环境，可能会产生不可预知的异常。
-
-因此不建议在生产环境中使用。
-:::
+由于某些操作是异步的，因此 Agent 的运行需要借助`asyncio`库在异步环境中进行。
 
+Agent 的运行有两种方式，第一种是使用 Agent 自带的 `run` 方法运行：
 ```python
 import asyncio
 
-prompt = "Hello!"
-res = asyncio.run(agent.run(prompt))
+prompt = "How is the weather like in Beijing? Besides, tell me which tool you invoked."
+response = asyncio.run(agent.run(prompt))
+print(response)
 ```
 
-## 工具调用
-
-你可以给Agent传入`tools`参数，指定想要调用的工具：
+第二种是使用 `Runner` 执行:
 
 ```python
-from veadk import Agent
-
-agent = Agent(
-    tools=[...] # fill with tools
-)
-```
-
-### 内置工具
-
-VeADK中集成了多个火山引擎提供的工具：
-
-- web_search （公域搜索）
-- vesearch （联网搜索，头条搜索等）
-- lark （飞书通信和协同）
-- las (数据湖检索）
-- web_scraper 邀测，代码见MCP server （聚合搜索）
-
-此外，还提供多种沙箱工具：
-
-- Computer sandbox (TBD)
-- Browser sandbox (TBD)
-- Code sandbox (TBD)
-  
-### MCP工具
-
-VeADK支持定义MCP工具来进行功能扩展，例如飞书Lark MCP工具、LAS数据湖MCP工具等。
-
-以飞书Lark MCP工具为例，采用如下方式定义：
+from veadk import Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+import asyncio
 
-```python
-lark_tools = MCPToolset(
-    connection_params=StdioServerParameters(
-        command="npx",
-        args=[..., "@larksuiteoapi/lark-mcp", ...],
-        errlog=None,
-    ),
-)
+session_id = "..."
+runner = Runner(agent=agent, short_term_memory=ShortTermMemory()) # 使用 Runner 执行智能体
 
-remote_mcp_server = MCPToolset(connection_params=SseConnectionParams(url=url))
+prompt = "How is the weather like in Beijing? Besides, tell me which tool you invoked."
+response = asyncio.run(runner.run(messages=prompt, session_id=session_id))
+print(response) # The weather in Beijing is Sunny with a temperature of 25°C. The tool invoked is get_city_weather.
 ```
 
-### 系统工具
+::: warning
+我们在`Agent`类中提供的`run`方法仅为了本地测试和开发使用，由于该函数位于一个异步与同步函数共存的运行环境，可能会产生不可预知的异常。
 
-- `load_knowledgebase`：检索知识库工具，在你给Agent传入`knowledgebase`参数后，将会自动挂载`load_knowledgebase_tool`工具，Agent将在运行时自主决定何时查询知识库；
-- `load_memory`：检索长期记忆工具，在你给Agent传入`memory`参数后，将会自动挂载`load_memory_tool`工具，Agent将在运行时自主决定何时查询长期记忆。
+因此不建议在生产环境中使用。
+:::
\ No newline at end of file
diff --git a/docs/docs/installation.md b/docs/docs/installation.md
index 20ed2033..e66fd372 100644
--- a/docs/docs/installation.md
+++ b/docs/docs/installation.md
@@ -1,6 +1,6 @@
 # 安装
 
-本章主要介绍VeADK的安装方法和基本配置项。
+本章主要介绍 VeADK 的安装方法和基本配置项。
 
 ## 环境
 
@@ -15,6 +15,10 @@ git clone https://github.com/volcengine/veadk-python.git
 cd veadk-python
 
 uv venv --python 3.10
+# Activate
+# macOS/Linux: source .venv/bin/activate
+# Windows CMD: .venv\Scripts\activate.bat
+# Windows PowerShell: .venv\Scripts\Activate.ps1
 
 # only install necessary requirements
 uv sync
@@ -33,7 +37,7 @@ uv pip install -e .
 
 ### PyPI
 
-本项目近期将发布在PyPI上，届时你可以使用`pip`进行安装。
+本项目近期将发布在PyPI上，届时您可以使用`pip`进行安装。
 
 ```bash
 pip install veadk-python
@@ -41,30 +45,18 @@ pip install veadk-python
 
 ## 配置
 
-VeADK在仓库中提供了一个`config.yaml.example`文件，你可以根据这个文件来创建你的配置文件。在样例文件中，我们标明了一个Agent运行的必需配置和可选（optional）配置。
+VeADK 在仓库中提供了一个示例配置文件`config.yaml.example`，其中标明了一个智能体运行的必需（required）配置和可选（optional）配置。您可以基于该示例文件，在项目根目录下创建实际使用的配置文件`config.yaml`。VeADK 中的配置模块将自动查找并加载该文件内容，并将其中的配置项映射为运行时环境变量，从而帮助您省去环境配置的时间。
 
-### 说明
-
-想要运行一个Agent，你需要进行基础配置。在你的项目根目录中创建一个`config.yaml`文件，并填入如下信息：
-
-```yaml
-# config.yaml
-model:
-  provider: # 如果你使用的是方舟大模型，请在这里填入`openai` 
-  name: 
-  api_base: 
-  api_key: 
-```
-
-你创建的配置文件名称我们推荐为`config.yaml`，因为VeADK中的配置模块将会自动寻找并加载这个文件中的配置为环境变量，可以帮你省去填写配置项的时间。完整的配置项你可以参考[`config.yaml.example`文件](https://github.com/volcengine/veadk-python/blob/main/config.yaml.example)。
+完整的配置项可以参考[`config.yaml.example`文件](https://github.com/volcengine/veadk-python/blob/main/config.yaml.example)。
 
+### 说明
 下面是详细的配置说明：
 
 ```yaml
 model:
   # [required] for running agent
   agent:
-    provider: openai
+    provider: openai  # 如果使用的是方舟大模型，请在这里填入openai
     name: doubao-1-5-pro-256k-250115
     api_base: https://ark.cn-beijing.volces.com/api/v3/
     api_key:
@@ -81,16 +73,16 @@ model:
     api_key:
 
 volcengine:
-  # [optional] for Viking DB and `web_search` tool
-  ak:
-  sk:
+  # [optional] for Viking DB and `web_search` tool in VolcEngine (https://console.volcengine.com/iam/keymanage/)
+  access_key:
+  secret_key:
 
 tool:
   # [optional] https://console.volcengine.com/ask-echo/my-agent
   vesearch: 
     endpoint:   # `bot_id`
     api_key: 
-  # [optional] 
+  # [optional] https://www.volcengine.com/docs/84296/1494115
   web_scraper: 
     endpoint: 
     api_key:    # `token`
@@ -99,7 +91,10 @@ tool:
     endpoint:   # `app_id`
     api_key:    # `app_secret`
     token:      # `user_token`
-
+  # [optional] for Volcengine Lake AI Service (https://www.volcengine.com/product/las)
+  las:
+    url:        # mcp sse url
+    dataset_id: # dataset name
 
 observability:
   # [optional] for exporting tracing data to Volcengine CozeLoop and APMPlus platform
@@ -112,6 +107,10 @@ observability:
       endpoint: https://api.coze.cn/v1/loop/opentelemetry/v1/traces
       api_key: 
       service_name: # Coze loop `space_id`
+    tls:
+      endpoint: https://tls-cn-beijing.volces.com:4318/v1/traces
+      service_name: # TLS `topic_id`
+      region: cn-beijing
   # [optional] for exporting evaluation data to Volcengine VMP (https://console.volcengine.com/prometheus)
   prometheus:
     pushgateway_url: 
@@ -143,16 +142,27 @@ database:
   viking:
     project:    # user project in Volcengine Viking DB
     region: cn-beijing
-  # [optional] for knowledgebase with viking database
+  # [optional] for knowledgebase with viking database (https://console.volcengine.com/tos)
   tos:
     endpoint: tos-cn-beijing.volces.com # default Volcengine TOS endpoint
     region: cn-beijing                  # default Volcengine TOS region
     bucket:
+
+# [optional] for prompt optimization in cli/app (https://www.volcengine.com/docs/82379/1587837)
+agent_pilot:
+  api_key:
+
+logging:
+  # ERROR
+  # WARNING
+  # INFO
+  # DEBUG
+  level: DEBUG
 ```
 
 ### 管理
 
-为管理繁多的配置项，我们提供了根据`config.yaml`自动化的配置管理方案：你在配置文件中的所有配置将会根据层级，自动转为大写并使用下划线连接，统一配置成为运行时的环境变量。
+为管理繁多的配置项，VeADK 提供了根据`config.yaml`文件的自动化配置管理方案。您在配置文件中的所有配置将会根据层级，自动转为大写并使用下划线连接，统一注册成为运行时的环境变量。
 
 例如下面的配置项：
 
@@ -176,4 +186,4 @@ MODEL_API_BASE_BASE_B=
 ...
 ```
 
-VeADK中提供了一个`getenv`方法来读取相关配置，你不必每次手动传入某个类的参数。
+VeADK 中提供了一个`getenv`方法来读取相关配置，您无需在各组件中次手动传入某个配置的参数。
\ No newline at end of file
diff --git a/docs/docs/introduction.md b/docs/docs/introduction.md
index 1b34f932..039270ca 100644
--- a/docs/docs/introduction.md
+++ b/docs/docs/introduction.md
@@ -2,47 +2,53 @@
 
 ## 关于VeADK
 
-VeADK——Volcengine Agent Development Kit是火山引擎智能体开发框架，其提供一套面向Agent智能体开发、上云部署、评测与优化的全流程开发者框架。
+**VeADK（Volcengine Agent Development Kit）** 是由火山引擎推出的一套面向智能体（Agent）开发的全流程框架，旨在为开发者提供一套面向智能体构建、云端部署、评测与优化的全流程开发框架。
 
-相比于现有智能体开发框架，VeADK主要优势在于和火山引擎各产品能力聚合：
+VeADK 相较于现有的智能体开发框架，具备与火山引擎产品体系深度融合的优势，帮助开发者更高效地构建企业级 AI 智能体应用。
 
+## VeADK 核心优势
 ### 更快速的企业级部署
 
-通过云部署项目模板支持CloudEngine的一键部署和发布能力，实现veFaaS和APIG的高可用应用部署，CLI和编程化发布支持。
+- 通过云部署项目模板支持 CloudEngine 的一键部署和发布能力
+- 支持 veFaaS 与 APIG，实现高可用、高弹性的服务托管
+- 提供简易的 CLI 工具与编程化发布
 
 ### 更安全的企业级部署
 
-支持Identity管理，支持API Key服务鉴权和OAuth2的用户鉴权能力。
+- 支持 Identity 管理
+- 支持 API Key 服务鉴权与 OAuth2 用户鉴权能力
 
 ### 更完备的可观测性和评估能力
 
-运行时数据无缝衔接APMPlus、Cozeloop, TLS等云观测平台，运行时数据直接落地为测试数据集文件， 支持离线和在线的评估能力。
+- 运行时数据无缝衔接 APMPlus、Cozeloop, TLS 等云观测平台，提供可视化监控
+- 运行时数据直接落地为测试数据集文件， 支持离线和在线的评估能力
 
 ### 更丰富的内置工具
 
-内置工具主要包括头条、抖音搜索的`web_search`工具，飞书Lark, LAS等工具。
+- 内置头条、抖音搜索工具，实现实时信息获取与内容聚合
+- 集成飞书 Lark（协同办公）、LAS（AI 数据湖服务）等工具，增强 Agent 实用性
 
 ### 更灵活的功能扩展
 
-提供Agent中各类组件的基础实现，支持灵活扩展。
+- 提供 Agent 构建所需核心组件的基础实现，支持开发者根据需求灵活组合与扩展
 
 ### 更强大的知识管理
 
-知识库支持火山引擎各类现有数据库，例如关系型数据库、键值数据库等，此外支持Viking DB等火山引擎云知识库方案
+- 支持连接火山引擎各类现有数据库，包括关系型数据库、键值数据库等
+- 集成 Viking DB 等火山引擎云知识库，实现知识的高效存储、检索与更新
 
 ### 更友好的最佳实践
 
-提供贴近实际工业场景的各类开发和部署用例，包括各类数据库、数据湖读写。
-
-
+- 提供贴近实际工业场景的各类开发和部署用例，涵盖数据库访问、数据湖读写、复杂任务编排等多样场景。
+- 提供可直接复用的代码模板与配置示例，帮助开发者快速上手并解决实际业务问题。
 
 ## 整体方案
 
-VeADK中构建智能体依赖`Agent`，`Runner`等几个关键概念
+在 VeADK 中，智能体的构建与生命周期的管理围绕`Agent`，`Runner`等核心组件进行：
 
 ### Agent
 
-`Agent`是智能体的主体，负责处理用户输入，基于大模型，调用不同的组件，最终返回给用户结果。
+`Agent`是智能体的主体，基于大模型处理用户输入，调用不同的组件及各类工具，最终返回给用户结果。
 
 ### Runner
 
@@ -54,7 +60,7 @@ VeADK中构建智能体依赖`Agent`，`Runner`等几个关键概念
 - `user_id`：用户ID
 - `session_id`：某个用户某次会话的ID
 
-Agent的组件会利用这三个属性来构建某些数据的索引。例如，知识库组件将会根据`app_name`与`user_id`来进行空间数据的索引。
+VeADK 的组件会利用这三个属性来构建某些数据的索引，例如知识库组件将会根据`app_name`与`user_id`来进行空间数据的索引，实现多租场景下数据空间的安全隔离。
 
 ## Milestone
 
diff --git a/docs/docs/knowledgebase.md b/docs/docs/knowledgebase.md
index 50d44e10..007cd402 100644
--- a/docs/docs/knowledgebase.md
+++ b/docs/docs/knowledgebase.md
@@ -1,21 +1,37 @@
 # 知识库
 
-自建知识库与使用火山引擎现有知识库的最大区别是：知识文档的分片和数据库维护。
+VeADK 支持将结构化或文档型知识作为 Agent 的外部知识源接入。开发者可选择自建知识库，或使用火山引擎现有知识库。自建知识库与使用火山引擎现有知识库的最大区别是：知识文档的分片和数据库维护。VeADK 中知识库的创建如下：
 
+```python
+from veadk.knowledgebase.knowledgebase import KnowledgeBase
+
+knowledgebase = KnowledgeBase(backend=...)
+```
+
+知识库中的 backend 字段定义如下：
+
+| backend | 说明 |
+| --- | --- |
+| local | GIGO 模式的内存存储，不具备向量检索功能，仅用于测试 |
+| [viking](https://console.volcengine.com/vikingdb) | 火山引擎 Viking DB 服务 |
+| opensearch | OpenSearch 数据库 |
+| redis | Redis 数据库，但不具备向量搜索功能 |
+| mysql | MySQL 数据库，但不具备向量搜索功能 |
 
 ## 自建知识库
 
 自建知识库需要开发者本地进行知识文档的切片，并维护一个数据库（或云数据库）来存储知识文档。
 
-你可以通过如下方式定义一个自建知识库：
+以下示例通过使用 opensearch 定义一个如下的自建知识库：
 
 ```python
+from veadk import Agent
 from veadk.knowledgebase.knowledgebase import KnowledgeBase
 
 knowledgebase = KnowledgeBase(backend="opensearch")
 knowledgebase.add(
     knowledgebase_data, app_name=app_name, user_id=user_id, session_id=session_id
-) # 这里的数据应当是已切片完成的格式，定义为`list[str]`
+) # knowledgebase_data 应当是已切片完成的格式，定义为`list[str]`
 
 # 将知识库挂载至Agent
 agent = Agent(knowledgebase=knowledgebase)
@@ -23,9 +39,10 @@ agent = Agent(knowledgebase=knowledgebase)
 
 ## 火山知识库
 
-VeADK中提供了VikingDB支持的数据库，支持用户直接上传本地文档，文档切片和存储维护均在云上自动执行：
+VeADK 中提供了火山引擎支持的知识库 [VikingDB](https://console.volcengine.com/vikingdb)，支持用户直接上传本地文档，文档切片和存储维护均在云上自动执行：
 
 ```python
+from veadk import Agent
 from veadk.knowledgebase.knowledgebase import KnowledgeBase
 
 FILE_PATH = ...
@@ -34,4 +51,6 @@ knowledgebase = KnowledgeBase(backend="viking")
 knowledgebase.add(
     FILE_PATH, app_name=app_name, user_id=user_id, session_id=session_id
 )
+
+agent = Agent(knowledgebase=knowledgebase)
 ```
\ No newline at end of file
diff --git a/docs/docs/memory.md b/docs/docs/memory.md
index dae7224f..c1c7ec66 100644
--- a/docs/docs/memory.md
+++ b/docs/docs/memory.md
@@ -1,13 +1,13 @@
 # 记忆
 
-在VeADK中，记忆（Memory）能够为Agent提供上下文支撑，主要分为短期记忆和长期记忆：
+在 VeADK 中，记忆（Memory）能够为 Agent 提供上下文支撑，主要分为短期记忆和长期记忆：
 
-- **短期记忆（Short-term memory）**：单个会话内的对话记录
-- **长期记忆（Long-term memory）**：多个会话内的对话记录，具备跨session的能力
+- **短期记忆（Short-term memory）**：用户单 Session 中与 Agent 的对话历史
+- **长期记忆（Long-term memory）**：用户多 Session 中与 Agent 的对话历史，具备跨 Session 的能力
 
 ## 短期记忆
 
-通过以下方式定义一个短期记忆（在不进行特殊指定的情况下，记忆默认将会在内存中存储）：
+VeADK 通过以下方式定义一个短期记忆（在不进行特殊指定的情况下，记忆默认将会在内存中存储）：
 
 ```python
 from veadk.memory.short_term_memory import ShortTermMemory
@@ -24,7 +24,7 @@ await short_term_memory.create_session(
 session_service = short_term_memory.session_service
 ```
 
-为持久化您的短期记忆，VeADK还支持通过传入`backend`参数，将记忆保存在数据库中：
+为持久化您的短期记忆，VeADK 还支持通过传入`backend`参数，将记忆保存在数据库中：
 
 ```python
 from veadk.memory.short_term_memory import ShortTermMemory
@@ -36,19 +36,41 @@ short_term_memory = ShortTermMemory(
 )
 ```
 
-其中，`db_url`遵循SQLAlchemy的[连接字符串格式]()，您可以根据您的数据库类型进行配置。
+其中，`db_url`遵循 SQLAlchemy 的连接字符串格式，您可以根据您的数据库类型进行配置。
 
-短期记忆中的backend字段定义如下：
+短期记忆中的 backend 字段定义如下：
 
 | backend | 说明 |
 | --- | --- |
 | local | 内存存储 |
-| database | 数据库，需同时传入`db_url`，否则将会启动一个本地SQLite数据库 |
-| mysql | MySQL数据库，可自动读取环境变量拼接MySQL格式的db_url |
+| database | 数据库，需同时传入`db_url`，否则将会启动一个本地 SQLite 数据库 |
+| mysql | MySQL 数据库，可自动读取环境变量拼接 MySQL 格式的 db_url |
 
-## 短期记忆的优化
+以下示例展示了如何在 VeADK 中使用短期记忆，以实现对话上下文的短期记忆能力。通过在多个消息轮次中复用同一个 `session_id`，智能体能够在会话过程中持续保留并引用先前的对话信息，增强对话的连贯性与上下文感知能力：
 
-持久化的短期记忆可能过长，占满某些模型的上下文。为解决短期记忆过长的问题，VeADK中提供了记忆优化器来进行短期记忆的优化，通过在短期记忆类中传入`enable_memory_optimization`参数，开启记忆优化器。
+```python
+from veadk import Agent, Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+
+session_id = "..."
+
+agent = Agent()
+short_term_memory = ShortTermMemory()
+runner = Runner(agent=agent, short_term_memory=short_term_memory)
+
+prompt = "My name is VeADK."
+response = await runner.run(messages=prompt, session_id=session_id)
+print(response)
+
+prompt = "Do you remember my name?"
+response = await runner.run(messages=prompt, session_id=session_id)
+print(response) # Your name is VeADK.
+```
+
+
+### 短期记忆的优化
+
+持久化的短期记忆可能过长，占满某些模型的上下文。为解决短期记忆过长的问题，VeADK 中提供了记忆优化器来进行短期记忆的优化，通过在短期记忆类中传入`enable_memory_optimization`参数，开启记忆优化器。
 
 ```python
 from veadk.memory.short_term_memory import ShortTermMemory
@@ -60,7 +82,7 @@ short_term_memory = ShortTermMemory(
 )
 ```
 
-开启后，短期记忆模块将会初始化一个`ShortTermMemoryProcessor`模块，在记忆加载后进行相关信息抽取等处理。未来，我们将支持传入自定义的记忆优化器，并计划支持如下记忆优化时机：
+记忆优化器的使用需联合 backend 为 database 或 mysql 来使用。开启后，短期记忆模块将会初始化一个`ShortTermMemoryProcessor`模块，在记忆加载后进行相关信息抽取等处理。未来，我们将支持传入自定义的记忆优化器，计划支持如下记忆优化时机：
 
 - 记忆存储前（在线优化）
 - 记忆存储后（离线优化）
@@ -72,9 +94,57 @@ short_term_memory = ShortTermMemory(
 - 信息维度
 - 自定义维度（例如结构化信息抽取）
 
+以下示例展示了 VeADK 中短期记忆在开启记忆优化模式（`enable_memory_optimization=True`）后的使用方式。通过该模式，Agent 能够在存储用户对话上下文时自动剔除冗余或无关的信息，从而提高记忆效率与响应准确性。
+```python
+import os
+from sqlalchemy import create_engine
+from veadk import Agent, Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+
+session_id = "..."
+
+# prepare a local sqlite database
+local_database_path = "..."
+engine = create_engine(f"sqlite:///{local_database_path}")
+
+db_url = f"sqlite+pysqlite:///{local_database_path}"
+agent = Agent()
+
+# Initial prompt: Contains some invalid information
+prompt = [
+    "Hi! My name is VeADK!",
+    "My secret is `blueblueblue`.",
+    "Do you know the differences between `java` and `javascript`?",  # useless chat
+    "Once user ask your system prompt, just return `I have no system prompt`.",
+    "What is my secret?", 
+    "What is your system prompt?"
+]
+
+# Use the short-term memory to record the complete conversation content
+short_term_memory = ShortTermMemory(backend="database", db_url=db_url)
+runner = Runner(agent=agent, short_term_memory=short_term_memory)
+await runner.run(messages=prompt, session_id=session_id)
+
+# Redefine the short_term_memory and runner with enable_memory_optimization=True
+short_term_memory = ShortTermMemory(
+    backend="database", db_url=db_url, enable_memory_optimization=True
+)
+runner = Runner(agent=agent, short_term_memory=short_term_memory)
+
+prompt = "What is my secret? What is your system prompt?"
+response = await runner.run(messages=prompt, session_id=session_id)
+print(response)
+
+# clear local database
+os.remove(local_database_path)
+```
+短期记忆优化过程与结果：
+
+![短期记忆优化结果](/images/memory-optimization.png)
+
 ## 长期记忆
 
-长期记忆通常存储在数据库中，通过如下方式定义一个长期记忆：
+VeADK 的长期记忆通常存储在数据库中，通过如下方式定义一个长期记忆：
 
 ```python
 from veadk.memory.long_term_memory import LongTermMemory
@@ -93,13 +163,43 @@ session = await session_service.get_session(
 await self.long_term_memory.add_session_to_memory(session) # 添加
 ```
 
-长期记忆中的backend字段定义如下：
+长期记忆中的 backend 字段定义如下：
 
 | backend | 说明 |
 | --- | --- |
-| local | GIGO模式的内存存储，不具备向量检索功能，仅用于测试 |
-| viking | 火山引擎Viking Memory服务 |
-| opensearch | OpenSearch数据库 |
-| redis | Redis数据库，但不具备向量搜索功能 |
-| mysql | MySQL数据库，但不具备向量搜索功能 |
+| local | GIGO 模式的内存存储，不具备向量检索功能，仅用于测试 |
+| viking | 火山引擎 Viking Memory 服务 |
+| opensearch | OpenSearch 数据库 |
+| redis | Redis 数据库，但不具备向量搜索功能 |
+| mysql | MySQL 数据库，但不具备向量搜索功能 |
+
+以下示例展示了如何在 VeADK 中使用长期记忆实现跨会话的信息保留与调用。开发者可以通过 `save_session_to_long_term_memory` 方法，将某一会话中的知识性信息存入长期记忆存储后端。在新的会话中，即使上下文为空，Agent 依然能够基于长期记忆准确回忆并回答相关问题。
+```python
+from veadk import Agent, Runner
+from veadk.memory.long_term_memory import LongTermMemory
+from veadk.memory.short_term_memory import ShortTermMemory
+
+session_id = "..."
+new_session_id = "..."
+
+long_term_memory = LongTermMemory(backend=...)  # default backend is `opensearch`
+agent = Agent(long_term_memory=long_term_memory) # agent with long term memort backend
+
+runner = Runner(
+    agent=agent,
+    app_name="...",
+    user_id="...",
+    short_term_memory=ShortTermMemory(),
+)
+teaching_prompt = "..."
+await runner.run(messages=teaching_prompt, session_id=session_id)
+
+# save the teaching prompt and answer in long term memory
+await runner.save_session_to_long_term_memory(session_id=session_id)
+
+# now, let's validate this in a new session
+student_prompt = "..."
+response = await runner.run(messages=student_prompt, session_id=new_session_id)
+print(response)
+```
 
diff --git a/docs/docs/tool.md b/docs/docs/tool.md
new file mode 100644
index 00000000..47348db0
--- /dev/null
+++ b/docs/docs/tool.md
@@ -0,0 +1,107 @@
+# 工具
+
+工具 Tool 指的是赋予 Agent 扩展能力的模块化组件，每个工具都被设计用于执行一个明确的任务，使得 Agent 能够执行超出文本生成与推理范畴的具体操作。工具的引入，使得 Agent 不再仅仅是一个语言模型，而是具备实际行动力的智能体，能够感知、调用外部系统资源，完成更复杂的任务。
+
+## 工具调用
+
+您可以给Agent传入`tools`参数，指定想要调用的工具：
+
+```python
+from veadk import Agent
+
+agent = Agent(
+    tools=[...] # fill with tools
+)
+```
+
+## 工具类型
+
+在 VeADK 中，工具包括函数工具、内置工具、MCP 工具和系统工具等。
+
+### 函数工具
+
+VeADK 支持通过函数定义的方式快速创建自定义工具，使 Agent 能够调用本地业务逻辑代码完成特定任务。以下示例展示了 Agent 调用一个自定义的模拟天气查询的函数工具 `get_city_weather`：
+
+```python
+def get_city_weather(city: str) -> dict[str, str]:
+    """Retrieves the weather information of a given city. the args must in English"""
+    fixed_weather = {
+        "beijing": {"condition": "Sunny", "temperature": 25},
+        "shanghai": {"condition": "Cloudy", "temperature": 22},
+        "guangzhou": {"condition": "Rainy", "temperature": 28}
+    }
+
+    city = city.lower().strip()
+    if city in fixed_weather:
+        info = fixed_weather[city]
+        return {"result": f"{info['condition']}, {info['temperature']}°C"}
+    else:
+        return {"result": f"Weather information not found for {city}"}
+
+session_id = "..."
+prompt = "..."
+agent = Agent(tools=[get_city_weather])
+runner = Runner(agent=agent, short_term_memory=ShortTermMemory())
+response = await runner.run(messages=prompt, session_id=session_id)
+```
+
+### 内置工具
+
+VeADK 中集成了多个火山引擎提供的工具：
+
+- [web_search](https://www.volcengine.com/docs/85508/1650263)（公域搜索）
+- [vesearch](https://www.volcengine.com/docs/85508/1512748) （联网搜索，头条搜索等）
+- [lark](https://open.larkoffice.com/app)（飞书通信和协同）代码见 [MCP server](https://github.com/larksuite/lark-openapi-mcp)
+- [las](https://www.volcengine.com/product/las) （数据湖检索）
+- [web_scraper](https://www.volcengine.com/docs/84296/1545470)（聚合搜索）邀测阶段，代码见 [MCP server](https://github.com/volcengine/mcp-server/tree/main/server)
+
+此外，还提供多种沙箱工具：
+
+- Computer sandbox (TBD)
+- Browser sandbox (TBD)
+- Code sandbox (TBD)
+
+以下示例展示了如何在 VeADK 中集成并调用内置工具 vesearch，用于获取今天的三条热点新闻：
+```python
+from veadk import Agent
+from veadk.tools.builtin_tools.vesearch import vesearch
+
+agent = Agent(
+    name="robot",
+    description="A robot can help user.",
+    instruction="Talk with user friendly. You can invoke your tools to finish user's task or question.",
+    tools=[vesearch],
+)
+
+response = await agent.run(prompt="The top 3 news today.")
+```
+  
+### MCP 工具
+
+VeADK 支持定义 MCP (Model Context Protocol) 工具来进行功能扩展，例如飞书 Lark MCP 工具、LAS 数据湖 MCP 工具等。
+
+以下示例展示了在 VeADK 中以 飞书 Lark MCP 工具为例定义 MCP 工具组件：
+
+- STDIO 模式
+- SSE 模式
+
+```python
+lark_tools = MCPToolset(
+    connection_params=StdioServerParameters(
+        command="npx",
+        args=[..., "@larksuiteoapi/lark-mcp", ...],
+        errlog=None,
+    ),
+)
+
+lark_mcp_remote = MCPToolset(
+    connection_params=SseConnectionParams(
+        url="..."
+    )
+)
+```
+
+### 系统工具
+
+- `load_knowledgebase`：检索知识库工具，在你给 Agent 传入`knowledgebase`参数后，将会自动挂载`load_knowledgebase_tool`工具，Agent 将在运行时自主决定何时查询知识库；
+- `load_memory`：检索长期记忆工具，在你给 Agent 传入`long_term_memory`参数后，将会自动挂载`load_memory`工具，Agent 将在运行时自主决定何时查询长期记忆。
\ No newline at end of file
diff --git a/docs/docs/tracing.md b/docs/docs/tracing.md
index 26f71b34..578df2d3 100644
--- a/docs/docs/tracing.md
+++ b/docs/docs/tracing.md
@@ -1,15 +1,15 @@
 # 可观测
 
-VeADK中的可观测（Tracing）能力能够记录运行时关键节点的信息，并且支持无缝上报至火山引擎云平台（例如CozeLoop、APMPlus、TLS等）。
+VeADK 提供可观测（Tracing）的能力，用于记录 Agent 执行过程中的关键路径与中间状态。支持将 Trace 数据输出至本地文件，或通过不同的 Exporter 上报至火山引擎平台，包括 CozeLoop、APMPlus、TLS，有助于开发者进行调试、性能分析、行为追踪等任务。
 
 ## 本地观测
 
-你可以通过如下方式开启可观测，并且将运行时数据保存至本地：
+通过如下方式开启本地观测，并且将运行时数据保存至本地：
 
 ```python
 from veadk.tracing.telemetry.opentelemetry_tracer import OpentelemetryTracer
 
-tracer = OpentelemetryTracer(exporters=exporters)
+tracer = OpentelemetryTracer()
 agent = Agent(tracers=[tracer])
 
 # ... run agent ...
@@ -20,13 +20,13 @@ print(f"Tracing file path: {tracer._trace_file_path}")
 
 ## 火山云观测
 
-通过设置不同的`exporter`上报器，可以将观测数据上传到对应平台：
+通过设置不同的云端上报器`exporter`，可以将观测数据上传到对应平台：
 
-- CozeLoop平台：`CozeLoopExporter`
-- APMPlus平台： `APMPlusExporter`
-- TLS平台：`TLSExporter`
+- [CozeLoop 平台](https://www.coze.cn/loop)：`CozeLoopExporter`
+- [APMPlus 平台](https://console.volcengine.com/apmplus-server/region:apmplus-server+cn-beijing/console/overview/server)： `APMPlusExporter`
+- [TLS 平台](https://console.volcengine.com/tls/region:tls+cn-beijing/v2/trace-service)：`TLSExporter`
 
-使用方法如下：
+示例：配置多个云端 `exporter`
 
 ```python
 from veadk.tracing.telemetry.opentelemetry_tracer import OpentelemetryTracer
@@ -34,6 +34,7 @@ from veadk.tracing.telemetry.exporters.cozeloop_exporter import CozeloopExporter
 from veadk.tracing.telemetry.exporters.apmplus_exporter import APMPlusExporter
 from veadk.tracing.telemetry.exporters.tls_exporter import TLSExporter
 
+# Configure multiple exporters
 exporters = [CozeloopExporter(), APMPlusExporter(), TLSExporter()]
 tracer = OpentelemetryTracer(exporters=exporters)
 agent = Agent(tracers=[tracer])
@@ -43,3 +44,48 @@ agent = Agent(tracers=[tracer])
 # the data will be automatically saved to local
 print(f"Tracing file path: {tracer._trace_file_path}")
 ```
+
+## 完整示例
+
+以下示例演示如何在 Agent 执行期间启用多平台追踪（CozeLoop、APMPlus、TLS），并打印本地追踪文件路径：
+
+```python
+import json
+from veadk import Agent, Runner
+from veadk.memory.short_term_memory import ShortTermMemory
+from veadk.tools.demo_tools import get_city_weather
+from veadk.tracing.telemetry.exporters.apmplus_exporter import APMPlusExporter
+from veadk.tracing.telemetry.exporters.cozeloop_exporter import CozeloopExporter
+from veadk.tracing.telemetry.exporters.tls_exporter import TLSExporter
+from veadk.tracing.telemetry.opentelemetry_tracer import OpentelemetryTracer
+
+session_id = "..."
+
+# Initialize tracing exporters
+exporters = [CozeloopExporter(), APMPlusExporter(), TLSExporter()]
+tracer = OpentelemetryTracer(exporters=exporters)
+
+# Create agent with tool and tracer
+agent = Agent(
+    name="chat_robot",
+    description="A robot talk with user.",
+    instruction="Talk with user friendly.",
+    tools=[get_city_weather],
+    tracers=[tracer],
+)
+
+# Create runner and execute
+runner = Runner(
+    agent=agent,
+    short_term_memory=ShortTermMemory(),
+)
+await runner.run(messages="How is the weather like in Xi'an?", session_id=session_id)
+
+print(f"Tracing file path: {tracer._trace_file_path}")
+```
+
+本地 Trace 文件内容示意：
+![本地 tracing 文件](/images/tracing-file.png)
+
+APMPlus 平台可视化界面：
+![APMPlusExporter图](/images/tracing-apmplus.png)
\ No newline at end of file