会话
Agents SDK 提供内置会话记忆功能，可在多次智能体运行之间自动维护对话历史，无需在轮次之间手动处理 .to_input_list()。
会话存储特定会话的对话历史，使智能体无需显式的手动记忆管理即可保持上下文。这对于构建聊天应用或多轮对话尤其有用，因为在这些场景中，你希望智能体记住之前的交互。
如果希望 SDK 为你管理客户端记忆，请使用会话。在同一次运行中，会话不能与运行级续接选项 conversation_id、previous_response_id 或 auto_previous_response_id 结合使用。如果希望改用由OpenAI服务器管理的续接，请选择其中一种机制，而不是在其上叠加会话。
快速入门 {#quick-start}
python
from agents import Agent, Runner, SQLiteSession
# Create agent
agent = Agent(
name="Assistant",
instructions="Reply very concisely.",
)
# Create a session instance with a session ID
session = SQLiteSession("conversation_123")
# First turn
result = await Runner.run(
agent,
"What city is the Golden Gate Bridge in?",
session=session
)
print(result.final_output) # "San Francisco"
# Second turn - agent automatically remembers previous context
result = await Runner.run(
agent,
"What state is it in?",
session=session
)
print(result.final_output) # "California"
# Also works with synchronous runner
result = Runner.run_sync(
agent,
"What's the population?",
session=session
)
print(result.final_output) # "Approximately 39 million"使用同一会话恢复中断的运行 {#resuming-interrupted-runs-with-the-same-session}
如果运行暂停以等待批准，请使用同一个会话实例（或使用相同会话 ID 和相同底层存储后端配置的另一个实例）恢复运行，以便恢复后的轮次继续沿用同一份已存储的对话历史。
python
result = await Runner.run(agent, "Delete temporary files that are no longer needed.", session=session)
if result.interruptions:
state = result.to_state()
for interruption in result.interruptions:
state.approve(interruption)
result = await Runner.run(agent, state, session=session)核心会话行为 {#core-session-behavior}
启用会话记忆后：
- 每次运行之前：运行器会自动检索该会话的对话历史，并将其添加到输入项之前。
- 每次运行之后：运行期间生成的所有新项目（用户输入、助手响应、工具调用等）都会自动存储到会话中。
- 上下文保留：使用同一会话的每次后续运行都会包含完整的对话历史，使智能体能够保持上下文。
这样便无需手动调用 .to_input_list() 并在多次运行之间管理对话状态。
历史记录与新输入的合并控制 {#control-how-history-and-new-input-merge}
传入会话时，运行器通常会按以下顺序准备模型输入：
- 会话历史记录（从
session.get_items(...)检索） - 新轮次输入
使用 [RunConfig.session_input_callback][agents.run.RunConfig.session_input_callback] 可在调用模型之前自定义此合并步骤。回调接收两个列表：
history：检索到的会话历史记录（已规范化为输入项格式）new_input：当前轮次的新输入项
返回应发送给模型的最终输入项列表。
回调接收的是两个列表的副本，因此你可以安全地修改它们。返回的列表控制该轮次的模型输入，但 SDK 仍只会持久化属于新轮次的项目。因此，对旧历史记录重新排序或进行筛选，不会导致旧会话项目再次作为新输入被保存。
python
from agents import Agent, RunConfig, Runner, SQLiteSession
def keep_recent_history(history, new_input):
# Keep only the last 10 history items, then append the new turn.
return history[-10:] + new_input
agent = Agent(name="Assistant")
session = SQLiteSession("conversation_123")
result = await Runner.run(
agent,
"Continue from the latest updates only.",
session=session,
run_config=RunConfig(session_input_callback=keep_recent_history),
)如果需要在不改变会话项目存储方式的情况下，对历史记录进行自定义裁剪、重新排序或选择性纳入，请使用此功能。如果需要在模型调用前立即执行后续的最终处理，请使用运行智能体指南中的 [call_model_input_filter][agents.run.RunConfig.call_model_input_filter]。
检索历史记录的限制 {#limiting-retrieved-history}
使用 [SessionSettings][agents.memory.SessionSettings] 控制每次运行前获取的历史记录量。
SessionSettings(limit=None)（默认）：检索所有可用的会话项目SessionSettings(limit=N)：仅检索最近的N个项目
你可以通过 [RunConfig.session_settings][agents.run.RunConfig.session_settings] 为每次运行应用此设置：
python
from agents import Agent, RunConfig, Runner, SessionSettings, SQLiteSession
agent = Agent(name="Assistant")
session = SQLiteSession("conversation_123")
result = await Runner.run(
agent,
"Summarize our recent discussion.",
session=session,
run_config=RunConfig(session_settings=SessionSettings(limit=50)),
)如果会话实现提供了默认会话设置，则 RunConfig.session_settings 中每个非 None 值都会覆盖该次运行对应的默认值。这对于长对话非常有用，可以限制检索数量而不改变会话的默认行为。
记忆操作 {#memory-operations}
基本操作 {#basic-operations}
会话支持多种对话历史管理操作：
python
from agents import SQLiteSession
session = SQLiteSession("user_123", "conversations.db")
# Get all items in a session
items = await session.get_items()
# Add new items to a session
new_items = [
{"role": "user", "content": "Hello"},
{"role": "assistant", "content": "Hi there!"}
]
await session.add_items(new_items)
# Remove and return the most recent item
last_item = await session.pop_item()
print(last_item) # {"role": "assistant", "content": "Hi there!"}
# Clear all items from a session
await session.clear_session()使用 pop_item 进行更正 {#using-pop_item-for-corrections}
当你希望撤销或修改对话中的最后一个项目时，pop_item 方法尤其有用：
python
from agents import Agent, Runner, SQLiteSession
agent = Agent(name="Assistant")
session = SQLiteSession("correction_example")
# Initial conversation
result = await Runner.run(
agent,
"What's 2 + 2?",
session=session
)
print(f"Agent: {result.final_output}")
# User wants to correct their question
assistant_item = await session.pop_item() # Remove agent's response
user_item = await session.pop_item() # Remove user's question
# Ask a corrected question
result = await Runner.run(
agent,
"What's 2 + 3?",
session=session
)
print(f"Agent: {result.final_output}")内置会话实现 {#built-in-session-implementations}
SDK 针对不同用例提供了多种会话实现：
内置会话实现的选择 {#choose-a-built-in-session-implementation}
在阅读下方详细代码示例之前，请使用此表选择起点。
| 会话类型 | 最适用场景 | 备注 |
|---|---|---|
SQLiteSession | 本地开发和简单应用 | 内置、轻量，可由文件或内存支持 |
AsyncSQLiteSession | 使用 aiosqlite 的异步 SQLite | 支持异步驱动程序的扩展后端 |
RedisSession | 在工作进程或服务之间共享记忆 | 适合低延迟分布式部署 |
SQLAlchemySession | 使用现有数据库的生产应用 | 适用于 SQLAlchemy 支持的数据库 |
MongoDBSession | 已使用 MongoDB 或需要多进程存储的应用 | 异步 pymongo；使用原子序列计数器排序 |
DaprSession | 使用 Dapr sidecar 的云原生部署 | 支持多种状态存储以及 TTL 和一致性控制 |
OpenAIConversationsSession | 由OpenAI服务器管理的存储 | 由 OpenAI Conversations API 支持的历史记录 |
OpenAIResponsesCompactionSession | 需要自动压缩的长对话 | 对另一会话后端的封装 |
AdvancedSQLiteSession | SQLite 加分支和分析功能 | 功能集较为丰富；请参阅专属页面 |
EncryptedSession | 在另一会话之上添加加密和 TTL | 封装器；请先选择底层后端 |
一些实现有包含更多详细信息的专属页面，其链接位于各自的小节中。
如果你正在为 ChatKit 实现 Python 服务器，请使用 chatkit.store.Store 实现来持久化 ChatKit 的线程和项目。SQLAlchemySession 等 Agents SDK 会话用于管理 SDK 侧的对话历史，但不能直接替代 ChatKit 的存储。请参阅实现 ChatKit 数据存储的 chatkit-python 指南。
OpenAI Conversations API 会话 {#openai-conversations-api-sessions}
通过 OpenAIConversationsSession 使用 OpenAI 的 Conversations API。
python
from agents import Agent, Runner, OpenAIConversationsSession
# Create agent
agent = Agent(
name="Assistant",
instructions="Reply very concisely.",
)
# Create a new conversation
session = OpenAIConversationsSession()
# Optionally resume a previous conversation by passing a conversation ID
# session = OpenAIConversationsSession(conversation_id="conv_123")
# Start conversation
result = await Runner.run(
agent,
"What city is the Golden Gate Bridge in?",
session=session
)
print(result.final_output) # "San Francisco"
# Continue the conversation
result = await Runner.run(
agent,
"What state is it in?",
session=session
)
print(result.final_output) # "California"OpenAI Responses 压缩会话 {#openai-responses-compaction-sessions}
使用 OpenAIResponsesCompactionSession 通过 Responses API（responses.compact）压缩已存储的对话历史。它封装底层会话，并可根据 should_trigger_compaction 在每轮之后自动压缩。请勿用它封装 OpenAIConversationsSession；这两项功能以不同方式管理历史记录。
典型用法（自动压缩） {#typical-usage-auto-compaction}
python
from agents import Agent, Runner, SQLiteSession
from agents.memory import OpenAIResponsesCompactionSession
underlying = SQLiteSession("conversation_123")
session = OpenAIResponsesCompactionSession(
session_id="conversation_123",
underlying_session=underlying,
)
agent = Agent(name="Assistant")
result = await Runner.run(agent, "Hello", session=session)
print(result.final_output)默认情况下，每轮之后，SDK 都会检查压缩候选内容是否达到阈值，并且仅在达到阈值时才执行压缩。
自动压缩运行时，SDK 会等待其完成，然后 Runner.run(...) 才会返回，或流式事件迭代器才会关闭。压缩请求所报告的用量会计入该次运行的 Usage 总量。默认情况下，之后手动调用 run_compaction() 时没有所属的运行上下文，因此不会更新已完成运行的用量对象。
compaction_mode="previous_response_id" 使用压缩会话保留的 Responses API 响应 ID，并且在该响应链仍然可用时效果最佳。compaction_mode="input" 则会根据当前会话项目重新构建压缩请求，适用于响应链不可用或希望以会话内容为事实依据的情况。默认的 "auto" 会选择最安全的可用选项。
如果智能体使用 ModelSettings(store=False) 运行，Responses API 不会保留上一次响应供后续查询。在这种无状态设置中，默认的 "auto" 模式会回退到基于输入的压缩，而不是依赖 previous_response_id。完整代码示例请参阅 examples/memory/compaction_session_stateless_example.py。
自动压缩对流式传输的阻塞 {#auto-compaction-can-block-streaming}
压缩会清除并重写会话历史，因此 SDK 会等待压缩完成后才将运行视为已完成。在流式传输模式下，如果压缩任务较重，这意味着最后一个输出 token 发出后，run.stream_events() 可能还会保持打开数秒。
OpenAIResponsesCompactionSession.run_compaction() 会在封装器边界将清除并重写操作视为可恢复的替换。如果在底层历史记录发生变化后，替换失败或被取消，封装器会尝试恢复之前的历史记录，并等待该恢复操作结束，然后才将原始异常或取消通知给调用方。如果底层后端在恢复期间也发生故障，之前的历史记录可能仍无法恢复，SDK 会记录恢复失败。封装器会将 add_items()、pop_item() 和 clear_session() 与整个压缩操作串行执行，其中包括远程请求以及替换或恢复阶段。并发的封装器修改操作会等待压缩完成，然后应用于最终的历史记录，而不会被覆盖。自动压缩还会记录哪个封装器代次属于该次运行；如果另一次运行在压缩开始前更改了历史记录，SDK 会跳过过时的压缩，而不是替换更新后的历史记录。压缩运行期间，请勿直接修改底层会话，因为直接修改会绕过这些封装器保障。
如果希望获得低延迟流式传输或快速轮次切换，请禁用自动压缩，并在轮次之间（或空闲时）自行调用 run_compaction()。你可以根据自己的标准决定何时强制压缩。
python
from agents import Agent, Runner, SQLiteSession
from agents.memory import OpenAIResponsesCompactionSession
underlying = SQLiteSession("conversation_123")
session = OpenAIResponsesCompactionSession(
session_id="conversation_123",
underlying_session=underlying,
# Disable triggering the auto compaction
should_trigger_compaction=lambda _: False,
)
agent = Agent(name="Assistant")
result = await Runner.run(agent, "Hello", session=session)
# Decide when to compact (e.g., on idle, every N turns, or size thresholds).
await session.run_compaction({"force": True})SQLite 会话 {#sqlite-sessions}
使用 SQLite 的默认轻量级会话实现：
python
from agents import SQLiteSession
# In-memory database (lost when process ends)
session = SQLiteSession("user_123")
# Persistent file-based database
session = SQLiteSession("user_123", "conversations.db")
# Use the session
result = await Runner.run(
agent,
"Hello",
session=session
)异步 SQLite 会话 {#async-sqlite-sessions}
如果希望使用由 aiosqlite 支持的 SQLite 持久化，请使用 AsyncSQLiteSession。
bash
pip install aiosqlitepython
from agents import Agent, Runner
from agents.extensions.memory import AsyncSQLiteSession
agent = Agent(name="Assistant")
session = AsyncSQLiteSession("user_123", db_path="conversations.db")
result = await Runner.run(agent, "Hello", session=session)Redis 会话 {#redis-sessions}
使用 RedisSession 可在多个工作进程或服务之间共享会话记忆。
bash
pip install openai-agents[redis]python
from agents import Agent, Runner
from agents.extensions.memory import RedisSession
agent = Agent(name="Assistant")
session = RedisSession.from_url(
"user_123",
url="redis://localhost:6379/0",
)
result = await Runner.run(agent, "Hello", session=session)
await session.close()from_url(...) 会创建并拥有 Redis 客户端。执行 close() 后，会话进入终止状态，后续会话操作会引发 RuntimeError；重复或并发调用 close() 是安全的。如果应用已经管理 Redis 客户端，请使用 redis_client=... 直接构造 RedisSession(...)。在这种情况下，close() 不执行任何操作，并且调用方继续拥有客户端所有权，会话也仍然可用。
SQLAlchemy 会话 {#sqlalchemy-sessions}
使用 SQLAlchemy 支持的任意数据库，为 Agents SDK 提供适用于生产环境的会话持久化：
python
from agents.extensions.memory import SQLAlchemySession
# Using database URL
session = SQLAlchemySession.from_url(
"user_123",
url="postgresql+asyncpg://user:pass@localhost/db",
create_tables=True
)
# Using existing engine
from sqlalchemy.ext.asyncio import create_async_engine
engine = create_async_engine("postgresql+asyncpg://user:pass@localhost/db")
session = SQLAlchemySession("user_123", engine=engine, create_tables=True)详细文档请参阅 SQLAlchemy 会话。
Dapr 会话 {#dapr-sessions}
如果你已运行 Dapr sidecar，或希望在不更改智能体代码的情况下切换已配置的状态存储后端，请使用 DaprSession。
bash
pip install openai-agents[dapr]python
from agents import Agent, Runner
from agents.extensions.memory import DaprSession
agent = Agent(name="Assistant")
async with DaprSession.from_address(
"user_123",
state_store_name="statestore",
dapr_address="localhost:50001",
) as session:
result = await Runner.run(agent, "Hello", session=session)
print(result.final_output)注意事项：
from_address(...)会为你创建并拥有 Dapr 客户端。如果应用已经管理客户端，请使用dapr_client=...直接构造DaprSession(...)。- 退出上下文或调用
close()会使拥有客户端的会话进入终止状态；后续会话操作会引发RuntimeError，而重复或并发调用close()是安全的。使用注入的客户端时，close()不执行任何操作，并且会话仍然可用。 - 如果底层状态存储支持 TTL，请传入
ttl=...，以便自动对会话数据应用 TTL 过期机制。 - 传入
consistency=DAPR_CONSISTENCY_STRONG可请求对状态写入和删除使用强一致性（取决于存储）。请注意，线路级读取一致性要求上游 Dapr Python 客户端支持在get_state上设置一致性。 - Dapr Python SDK 还会检查 HTTP sidecar 端点。在本地开发环境中，启动 Dapr 时，除了
dapr_address中使用的 gRPC 端口，还应指定--dapr-http-port 3500。 - 完整的设置演练（包括本地组件和故障排除）请参阅
examples/memory/dapr_session_example.py。
MongoDB 会话 {#mongodb-sessions}
对于已经使用 MongoDB 或需要可横向扩展的多进程会话存储的应用，请使用 MongoDBSession。
bash
pip install openai-agents[mongodb]python
from agents import Agent, Runner
from agents.extensions.memory import MongoDBSession
agent = Agent(name="Assistant")
# Create from URI — owns the client and closes it when session.close() is called
session = MongoDBSession.from_uri(
"user-123",
uri="mongodb://localhost:27017",
database="agents",
)
result = await Runner.run(agent, "Hello", session=session)
print(result.final_output)
await session.close()注意事项：
from_uri(...)会创建并拥有AsyncMongoClient，并在调用session.close()时将其关闭。拥有客户端的会话在执行close()后进入终止状态，后续会话操作会引发RuntimeError。如果应用已经管理客户端，请使用client=...直接构造MongoDBSession(...)；在这种情况下，session.close()不执行任何操作，调用方继续负责客户端生命周期，并且会话仍然可用。- 将
mongodb+srv://user:password@cluster.example.mongodb.netURI 传入from_uri(...)，无需其他更改即可连接到 MongoDB Atlas。 - 系统会使用两个集合，且两者名称均可配置：
sessions_collection=（默认为agent_sessions）和messages_collection=（默认为agent_messages）。首次使用时会自动创建索引。每次非空的add_items()调用都会写入一个逻辑批次文档，其单调递增的seq会根据批次中的最后一个项目对该批次进行排序；旧版的逐项目消息文档仍可读取。逻辑批次必须符合 MongoDB 的单文档大小限制；过大的批次会以原子方式失败，不会存储不完整的批次。 - 首次运行前，使用
await session.ping()验证连接。
高级 SQLite 会话 {#advanced-sqlite-sessions}
具有对话分支、用量分析和结构化查询功能的增强型 SQLite 会话：
python
from agents.extensions.memory import AdvancedSQLiteSession
# Create with advanced features
session = AdvancedSQLiteSession(
session_id="user_123",
db_path="conversations.db",
create_tables=True
)
# Automatic usage tracking
result = await Runner.run(agent, "Hello", session=session)
await session.store_run_usage(result) # Track token usage
# Conversation branching
await session.create_branch_from_turn(2) # Branch from turn 2详细文档请参阅高级 SQLite 会话。
加密会话 {#encrypted-sessions}
适用于任何会话实现的透明加密封装器：
python
from agents.extensions.memory import EncryptedSession, SQLAlchemySession
# Create underlying session
underlying_session = SQLAlchemySession.from_url(
"user_123",
url="sqlite+aiosqlite:///conversations.db",
create_tables=True
)
# Wrap with encryption and TTL
session = EncryptedSession(
session_id="user_123",
underlying_session=underlying_session,
encryption_key="your-secret-key",
ttl=600 # 10 minutes
)
result = await Runner.run(agent, "Hello", session=session)详细文档请参阅加密会话。
其他会话类型 {#other-session-types}
还有一些其他内置选项。请参阅 examples/memory/ 以及 extensions/memory/ 下的源代码。
运维模式 {#operational-patterns}
会话 ID 命名 {#session-id-naming}
使用有意义的会话 ID 来帮助组织对话：
- 基于用户：
"user_12345" - 基于线程：
"thread_abc123" - 基于上下文：
"support_ticket_456"
记忆持久化 {#memory-persistence}
- 对于临时对话，使用内存 SQLite（
SQLiteSession("session_id")） - 对于持久化对话，使用基于文件的 SQLite（
SQLiteSession("session_id", "path/to/db.sqlite")） - 需要基于
aiosqlite的实现时，使用异步 SQLite（AsyncSQLiteSession("session_id", db_path="...")） - 对于共享的低延迟会话记忆，使用由 Redis 支持的会话（
RedisSession.from_url("session_id", url="redis://...")） - 对于使用 SQLAlchemy 所支持现有数据库的生产系统，使用由 SQLAlchemy 支持的会话（
SQLAlchemySession("session_id", engine=engine, create_tables=True)） - 对于已经使用 MongoDB 或需要多进程、可横向扩展会话存储的应用，使用 MongoDB 会话（
MongoDBSession.from_uri("session_id", uri="mongodb://localhost:27017")） - 对于需要内置遥测、追踪和数据隔离，并支持 30 多种数据库后端的生产云原生部署，使用 Dapr 状态存储会话（
DaprSession.from_address("session_id", state_store_name="statestore", dapr_address="localhost:50001")） - 如果希望将历史记录存储在 OpenAI Conversations API 中，请使用由OpenAI托管的存储（
OpenAIConversationsSession()） - 使用加密会话（
EncryptedSession(session_id, underlying_session, encryption_key)）封装任何会话，以提供透明加密和基于 TTL 的过期机制 - 对于更高级的用例，可考虑为其他生产系统（例如 Django）实现自定义会话后端
多会话 {#multiple-sessions}
python
from agents import Agent, Runner, SQLiteSession
agent = Agent(name="Assistant")
# Different sessions maintain separate conversation histories
session_1 = SQLiteSession("user_123", "conversations.db")
session_2 = SQLiteSession("user_456", "conversations.db")
result1 = await Runner.run(
agent,
"Help me with my account",
session=session_1
)
result2 = await Runner.run(
agent,
"What are my charges?",
session=session_2
)会话共享 {#session-sharing}
python
# Different agents can share the same session
support_agent = Agent(name="Support")
billing_agent = Agent(name="Billing")
session = SQLiteSession("user_123")
# Both agents will see the same conversation history
result1 = await Runner.run(
support_agent,
"Help me with my account",
session=session
)
result2 = await Runner.run(
billing_agent,
"What are my charges?",
session=session
)完整代码示例 {#complete-example}
以下是展示会话记忆实际运行方式的完整代码示例：
python
import asyncio
from agents import Agent, Runner, SQLiteSession
async def main():
# Create an agent
agent = Agent(
name="Assistant",
instructions="Reply very concisely.",
)
# Create a session instance that will persist across runs
session = SQLiteSession("conversation_123", "conversation_history.db")
print("=== Sessions Example ===")
print("The agent will remember previous messages automatically.\n")
# First turn
print("First turn:")
print("User: What city is the Golden Gate Bridge in?")
result = await Runner.run(
agent,
"What city is the Golden Gate Bridge in?",
session=session
)
print(f"Assistant: {result.final_output}")
print()
# Second turn - the agent will remember the previous conversation
print("Second turn:")
print("User: What state is it in?")
result = await Runner.run(
agent,
"What state is it in?",
session=session
)
print(f"Assistant: {result.final_output}")
print()
# Third turn - continuing the conversation
print("Third turn:")
print("User: What's the population of that state?")
result = await Runner.run(
agent,
"What's the population of that state?",
session=session
)
print(f"Assistant: {result.final_output}")
print()
print("=== Conversation Complete ===")
print("Notice how the agent remembered the context from previous turns!")
print("Sessions automatically handles conversation history.")
if __name__ == "__main__":
asyncio.run(main())自定义会话实现 {#custom-session-implementations}
你可以创建一个在结构上遵循 [Session][agents.memory.session.Session] 协议的类，实现自己的会话记忆。无需继承 SessionABC；定义 session_id 和 session_settings，并直接实现四个历史记录方法：
python
from agents import Agent, Runner, SessionSettings
from agents.items import TResponseInputItem
class MyCustomSession:
"""Custom session implementation following the Session protocol."""
session_settings: SessionSettings | None = None
def __init__(self, session_id: str) -> None:
self.session_id = session_id
self.items: list[TResponseInputItem] = []
async def get_items(self, limit: int | None = None) -> list[TResponseInputItem]:
if limit is None:
return list(self.items)
if limit <= 0:
return []
return list(self.items[-limit:])
async def add_items(self, items: list[TResponseInputItem]) -> None:
self.items.extend(items)
async def pop_item(self) -> TResponseInputItem | None:
return self.items.pop() if self.items else None
async def clear_session(self) -> None:
self.items.clear()
# Use your custom session
agent = Agent(name="Assistant")
result = await Runner.run(
agent,
"Hello",
session=MyCustomSession("my_session")
)从自定义会话访问运行上下文 {#accessing-run-context-from-a-custom-session}
Agents SDK 可以将活跃的 [RunContextWrapper][agents.run_context.RunContextWrapper] 传递给自定义会话，以用于租户路由、授权或其他应用特定的存储决策。要让 Agents SDK 传递该封装器，请为所有四个历史记录方法添加一个具有显式名称且兼容关键字的 wrapper 参数：
python
from typing import Any
from agents import RunContextWrapper
from agents.items import TResponseInputItem
class ContextAwareSession:
async def get_items(
self,
limit: int | None = None,
*,
wrapper: RunContextWrapper[Any] | None = None,
) -> list[TResponseInputItem]: ...
async def add_items(
self,
items: list[TResponseInputItem],
*,
wrapper: RunContextWrapper[Any] | None = None,
) -> None: ...
async def pop_item(
self,
*,
wrapper: RunContextWrapper[Any] | None = None,
) -> TResponseInputItem | None: ...
async def clear_session(
self,
*,
wrapper: RunContextWrapper[Any] | None = None,
) -> None: ...仅当 get_items、add_items、pop_item 和 clear_session 均声明 wrapper 时，Agents SDK 才会启用此集成。通用的 **kwargs 参数不满足此签名检查。不包含 wrapper 的现有会话实现会保留其已发布的调用形式，并可继续工作，无需更改。
社区会话实现 {#community-session-implementations}
社区开发了其他会话实现：
| 软件包 | 说明 |
|---|---|
| openai-django-sessions | 适用于 Django 所支持任意数据库（PostgreSQL、MySQL、SQLite 等）的基于 Django ORM 的会话 |
如果你构建了会话实现，欢迎提交文档 PR，将其添加到此处！
API 参考 {#api-reference}
有关详细的 API 文档，请参阅：
- [
Session][agents.memory.session.Session] - 协议接口 - [
OpenAIConversationsSession][agents.memory.OpenAIConversationsSession] - OpenAI Conversations API 实现 - [
OpenAIResponsesCompactionSession][agents.memory.openai_responses_compaction_session.OpenAIResponsesCompactionSession] - Responses API 压缩封装器 - [
SQLiteSession][agents.memory.sqlite_session.SQLiteSession] - 基础 SQLite 实现 - [
AsyncSQLiteSession][agents.extensions.memory.async_sqlite_session.AsyncSQLiteSession] - 基于aiosqlite的异步 SQLite 实现 - [
RedisSession][agents.extensions.memory.redis_session.RedisSession] - 由 Redis 支持的会话实现 - [
SQLAlchemySession][agents.extensions.memory.sqlalchemy_session.SQLAlchemySession] - 由 SQLAlchemy 支持的实现 - [
MongoDBSession][agents.extensions.memory.mongodb_session.MongoDBSession] - 由 MongoDB 支持的会话实现 - [
DaprSession][agents.extensions.memory.dapr_session.DaprSession] - Dapr 状态存储实现 - [
AdvancedSQLiteSession][agents.extensions.memory.advanced_sqlite_session.AdvancedSQLiteSession] - 支持分支和分析功能的增强型 SQLite - [
EncryptedSession][agents.extensions.memory.encrypt_session.EncryptedSession] - 适用于任何会话的加密封装器