세션

Agents SDK는 여러 에이전트 실행에 걸쳐 대화 기록을 자동으로 유지하는 내장 세션 메모리를 제공하여, 턴 사이에 .to_input_list()를 수동으로 처리할 필요를 없애줍니다.

세션은 특정 세션의 대화 기록을 저장하여, 명시적인 수동 메모리 관리 없이도 에이전트가 컨텍스트를 유지할 수 있게 합니다. 이는 특히 에이전트가 이전 상호작용을 기억하길 원하는 채팅 애플리케이션이나 멀티턴 대화를 구축할 때 유용합니다.

SDK가 클라이언트 측 메모리를 관리하도록 하려면 세션을 사용하세요. 세션은 동일한 실행에서 conversation_id, previous_response_id, auto_previous_response_id와 함께 사용할 수 없습니다. 대신 OpenAI 서버 관리형 이어가기를 원한다면, 세션을 그 위에 겹쳐 쓰지 말고 이러한 메커니즘 중 하나를 선택하세요.

빠른 시작

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"

동일한 세션으로 인터럽트된 실행 재개

승인을 위해 실행이 일시 중지되면, 재개된 턴이 동일한 저장된 대화 기록을 이어가도록 같은 세션 인스턴스(또는 동일한 백킹 스토어를 가리키는 다른 세션 인스턴스)로 재개하세요.

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)

핵심 세션 동작

세션 메모리가 활성화되면:

1. 각 실행 전: 러너가 세션의 대화 기록을 자동으로 가져와 입력 항목 앞에 추가합니다.
2. 각 실행 후: 실행 중 생성된 모든 새 항목(사용자 입력, 어시스턴트 응답, 도구 호출 등)이 세션에 자동으로 저장됩니다.
3. 컨텍스트 보존: 동일한 세션으로 이어지는 각 실행에는 전체 대화 기록이 포함되어 에이전트가 컨텍스트를 유지할 수 있습니다.

이를 통해 .to_input_list()를 수동으로 호출하고 실행 간 대화 상태를 관리할 필요가 없어집니다.

기록과 새 입력 병합 제어

세션을 전달하면, 러너는 일반적으로 모델 입력을 다음과 같이 준비합니다.

1. 세션 기록(session.get_items(...)에서 가져옴)
2. 새 턴 입력

모델 호출 전에 이 병합 단계를 사용자 지정하려면 RunConfig.session_input_callback을 사용하세요. 콜백은 두 개의 목록을 받습니다.

• history: 가져온 세션 기록(이미 입력 항목 형식으로 정규화됨)
• new_input: 현재 턴의 새 입력 항목

모델에 전송할 최종 입력 항목 목록을 반환하세요.

콜백은 두 목록의 복사본을 받으므로 안전하게 변경할 수 있습니다. 반환된 목록은 해당 턴의 모델 입력을 제어하지만, SDK는 여전히 새 턴에 속한 항목만 저장합니다. 따라서 오래된 기록을 재정렬하거나 필터링해도 오래된 세션 항목이 새 입력으로 다시 저장되지는 않습니다.

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),
)

세션이 항목을 저장하는 방식을 바꾸지 않으면서 기록을 사용자 지정 가지치기, 재정렬 또는 선택적으로 포함해야 할 때 사용하세요. 모델 호출 직전에 한 번 더 최종 처리가 필요하다면 running agents guide의 call_model_input_filter를 사용하세요.

가져오는 기록 제한

각 실행 전에 가져올 기록의 양을 제어하려면 SessionSettings를 사용하세요.

• SessionSettings(limit=None)(기본값): 사용 가능한 모든 세션 항목 가져오기
• SessionSettings(limit=N): 가장 최근 N개 항목만 가져오기

RunConfig.session_settings를 통해 실행별로 이를 적용할 수 있습니다.

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)),
)

세션 구현이 기본 세션 설정을 노출하는 경우, RunConfig.session_settings는 해당 실행에서 None이 아닌 값을 재정의합니다. 이는 긴 대화에서 세션의 기본 동작을 바꾸지 않고 가져오기 크기를 제한하고 싶을 때 유용합니다.

메모리 작업

기본 작업

세션은 대화 기록을 관리하기 위한 여러 작업을 지원합니다.

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()

수정을 위한 pop_item 사용

pop_item 메서드는 대화의 마지막 항목을 되돌리거나 수정하려는 경우 특히 유용합니다.

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}")

내장 세션 구현

SDK는 다양한 사용 사례에 맞는 여러 세션 구현을 제공합니다.

내장 세션 구현 선택

아래의 상세 예제를 읽기 전에 이 표를 사용해 출발점을 선택하세요.

세션 유형	적합한 경우	참고
SQLiteSession	로컬 개발 및 간단한 앱	내장형, 경량, 파일 기반 또는 인메모리
AsyncSQLiteSession	aiosqlite를 사용하는 비동기 SQLite	비동기 드라이버 지원이 있는 확장 백엔드
RedisSession	워커/서비스 간 공유 메모리	저지연 분산 배포에 적합
SQLAlchemySession	기존 데이터베이스를 사용하는 프로덕션 앱	SQLAlchemy 지원 데이터베이스와 작동
MongoDBSession	이미 MongoDB를 사용하거나 멀티프로세스 스토리지가 필요한 앱	비동기 pymongo; 순서 보장을 위한 원자적 시퀀스 카운터
DaprSession	Dapr 사이드카를 사용하는 클라우드 네이티브 배포	여러 상태 저장소와 TTL 및 일관성 제어 지원
OpenAIConversationsSession	OpenAI의 서버 관리형 스토리지	OpenAI Conversations API 기반 기록
OpenAIResponsesCompactionSession	자동 압축이 필요한 긴 대화	다른 세션 백엔드를 감싸는 래퍼
AdvancedSQLiteSession	SQLite와 브랜칭/분석	더 무거운 기능 세트; 전용 페이지 참조
EncryptedSession	다른 세션 위의 암호화 + TTL	래퍼; 먼저 기반 백엔드 선택

일부 구현에는 추가 세부 정보를 담은 전용 페이지가 있으며, 각 하위 섹션에 인라인으로 링크되어 있습니다.

ChatKit용 파이썬 서버를 구현하는 경우 ChatKit의 스레드 및 항목 영속성을 위해 chatkit.store.Store 구현을 사용하세요. SQLAlchemySession 같은 Agents SDK 세션은 SDK 측 대화 기록을 관리하지만, ChatKit의 스토어를 대체하는 드롭인 대체품은 아닙니다. ChatKit 데이터 스토어 구현에 대한 chatkit-python 가이드를 참조하세요.

OpenAI Conversations API 세션

OpenAIConversationsSession을 통해 OpenAI의 Conversations API를 사용하세요.

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 압축 세션

Responses API(responses.compact)로 저장된 대화 기록을 압축하려면 OpenAIResponsesCompactionSession을 사용하세요. 이는 기반 세션을 감싸며 should_trigger_compaction에 따라 각 턴 후 자동으로 압축할 수 있습니다. OpenAIConversationsSession을 이것으로 감싸지 마세요. 두 기능은 서로 다른 방식으로 기록을 관리합니다.

일반적인 사용법(자동 압축)

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)

기본적으로, 후보 임계값에 도달하면 각 턴 후 압축이 실행됩니다.

compaction_mode="previous_response_id"는 Responses API 응답 ID로 이미 턴을 체이닝하고 있을 때 가장 잘 작동합니다. compaction_mode="input"은 대신 현재 세션 항목에서 압축 요청을 다시 구성하므로, 응답 체인을 사용할 수 없거나 세션 내용이 진실의 원천이 되길 원할 때 유용합니다. 기본값 "auto"는 사용 가능한 가장 안전한 옵션을 선택합니다.

에이전트가 ModelSettings(store=False)로 실행되면 Responses API는 나중 조회를 위해 마지막 응답을 보관하지 않습니다. 이러한 무상태 설정에서는 기본 "auto" 모드가 previous_response_id에 의존하는 대신 입력 기반 압축으로 폴백합니다. 전체 예제는 examples/memory/compaction_session_stateless_example.py를 참조하세요.

자동 압축과 스트리밍 차단 가능성

압축은 세션 기록을 지우고 다시 쓰므로, SDK는 실행을 완료로 간주하기 전에 압축이 끝날 때까지 기다립니다. 스트리밍 모드에서는 압축이 무거운 경우 마지막 출력 토큰 이후에도 run.stream_events()가 몇 초 동안 열려 있을 수 있음을 의미합니다.

저지연 스트리밍이나 빠른 턴 전환을 원한다면 자동 압축을 비활성화하고 턴 사이(또는 유휴 시간)에 직접 run_compaction()을 호출하세요. 자체 기준에 따라 언제 압축을 강제할지 결정할 수 있습니다.

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 세션

SQLite를 사용하는 기본 경량 세션 구현:

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
)

비동기 SQLite 세션

aiosqlite 기반 SQLite 영속성이 필요할 때 AsyncSQLiteSession을 사용하세요.

pip install aiosqlite

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 세션

여러 워커나 서비스 간 공유 세션 메모리에는 RedisSession을 사용하세요.

pip install openai-agents[redis]

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)

SQLAlchemy 세션

SQLAlchemy가 지원하는 모든 데이터베이스를 사용한 프로덕션 준비 Agents SDK 세션 영속성:

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)

자세한 문서는 SQLAlchemy 세션을 참조하세요.

Dapr 세션

이미 Dapr 사이드카를 실행 중이거나 에이전트 코드를 변경하지 않고 다양한 상태 저장소 백엔드 간 이동할 수 있는 세션 스토리지가 필요할 때 DaprSession을 사용하세요.

pip install openai-agents[dapr]

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)

참고:

• from_address(...)는 Dapr 클라이언트를 생성하고 소유합니다. 앱에서 이미 클라이언트를 관리한다면 dapr_client=...로 DaprSession(...)을 직접 생성하세요.
• 백킹 상태 저장소가 TTL을 지원하는 경우 오래된 세션 데이터가 자동으로 만료되도록 ttl=...을 전달하세요.
• 더 강한 쓰기 후 읽기 보장이 필요할 때는 consistency=DAPR_CONSISTENCY_STRONG을 전달하세요.
• Dapr Python SDK는 HTTP 사이드카 엔드포인트도 확인합니다. 로컬 개발에서는 dapr_address에서 사용하는 gRPC 포트와 함께 --dapr-http-port 3500으로 Dapr를 시작하세요.
• 로컬 컴포넌트와 문제 해결을 포함한 전체 설정 절차는 examples/memory/dapr_session_example.py를 참조하세요.

MongoDB 세션

이미 MongoDB를 사용하거나 수평 확장 가능한 멀티프로세스 세션 스토리지가 필요한 애플리케이션에는 MongoDBSession을 사용하세요.

pip install openai-agents[mongodb]

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()

참고:

• from_uri(...)는 AsyncMongoClient를 생성하고 소유하며 session.close()에서 이를 닫습니다. 애플리케이션에서 이미 클라이언트를 관리한다면 client=...로 MongoDBSession(...)을 직접 생성하세요. 이 경우 session.close()는 아무 작업도 하지 않으며 라이프사이클은 호출자에게 있습니다.
• 다른 변경 없이 from_uri(...)에 mongodb+srv://user:password@cluster.example.mongodb.net URI를 전달하여 MongoDB Atlas에 연결하세요.
• 두 컬렉션이 사용되며 두 이름 모두 sessions_collection=(기본값 agent_sessions)과 messages_collection=(기본값 agent_messages)를 통해 구성할 수 있습니다. 인덱스는 처음 사용할 때 자동으로 생성됩니다. 각 메시지 문서에는 동시 작성자와 프로세스 간 순서를 보존하는 단조 증가 seq 카운터가 포함됩니다.
• 첫 실행 전에 연결성을 확인하려면 await session.ping()을 사용하세요.

고급 SQLite 세션

대화 브랜칭, 사용량 분석, structured queries를 갖춘 향상된 SQLite 세션:

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

자세한 문서는 고급 SQLite 세션을 참조하세요.

암호화된 세션

모든 세션 구현을 위한 투명한 암호화 래퍼:

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)

자세한 문서는 암호화된 세션을 참조하세요.

기타 세션 유형

몇 가지 내장 옵션이 더 있습니다. examples/memory/ 및 extensions/memory/ 아래의 소스 코드를 참조하세요.

운영 패턴

세션 ID 명명

대화를 정리하는 데 도움이 되는 의미 있는 세션 ID를 사용하세요.

• 사용자 기반: "user_12345"
• 스레드 기반: "thread_abc123"
• 컨텍스트 기반: "support_ticket_456"

메모리 영속성

• 임시 대화에는 인메모리 SQLite(SQLiteSession("session_id")) 사용
• 영속 대화에는 파일 기반 SQLite(SQLiteSession("session_id", "path/to/db.sqlite")) 사용
• aiosqlite 기반 구현이 필요할 때는 비동기 SQLite(AsyncSQLiteSession("session_id", db_path="...")) 사용
• 공유 저지연 세션 메모리에는 Redis 기반 세션(RedisSession.from_url("session_id", url="redis://...")) 사용
• SQLAlchemy가 지원하는 기존 데이터베이스가 있는 프로덕션 시스템에는 SQLAlchemy 기반 세션(SQLAlchemySession("session_id", engine=engine, create_tables=True)) 사용
• 이미 MongoDB를 사용하거나 멀티프로세스, 수평 확장 가능한 세션 스토리지가 필요한 애플리케이션에는 MongoDB 세션(MongoDBSession.from_uri("session_id", uri="mongodb://localhost:27017")) 사용
• 내장 텔레메트리, 트레이싱 및 데이터 격리를 갖춘 30개 이상의 데이터베이스 백엔드를 지원하는 프로덕션 클라우드 네이티브 배포에는 Dapr 상태 저장소 세션(DaprSession.from_address("session_id", state_store_name="statestore", dapr_address="localhost:50001")) 사용
• OpenAI Conversations API에 기록을 저장하는 것을 선호한다면 OpenAI 호스팅 스토리지(OpenAIConversationsSession()) 사용
• 모든 세션을 투명한 암호화 및 TTL 기반 만료로 감싸려면 암호화된 세션(EncryptedSession(session_id, underlying_session, encryption_key)) 사용
• 더 고급 사용 사례를 위해 다른 프로덕션 시스템(예: Django)에 대한 사용자 지정 세션 백엔드 구현 고려

여러 세션

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
)

세션 공유

# 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
)

전체 예제

다음은 세션 메모리가 동작하는 모습을 보여주는 전체 예제입니다.

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())

사용자 지정 세션 구현

Session 프로토콜을 따르는 클래스를 만들어 자체 세션 메모리를 구현할 수 있습니다.

from agents.memory.session import SessionABC
from agents.items import TResponseInputItem
from typing import List

class MyCustomSession(SessionABC):
    """Custom session implementation following the Session protocol."""

    def __init__(self, session_id: str):
        self.session_id = session_id
        # Your initialization here

    async def get_items(self, limit: int | None = None) -> List[TResponseInputItem]:
        """Retrieve conversation history for this session."""
        # Your implementation here
        pass

    async def add_items(self, items: List[TResponseInputItem]) -> None:
        """Store new items for this session."""
        # Your implementation here
        pass

    async def pop_item(self) -> TResponseInputItem | None:
        """Remove and return the most recent item from this session."""
        # Your implementation here
        pass

    async def clear_session(self) -> None:
        """Clear all items for this session."""
        # Your implementation here
        pass

# Use your custom session
agent = Agent(name="Assistant")
result = await Runner.run(
    agent,
    "Hello",
    session=MyCustomSession("my_session")
)

커뮤니티 세션 구현

커뮤니티에서 추가 세션 구현을 개발했습니다.

패키지	설명
openai-django-sessions	Django가 지원하는 모든 데이터베이스(PostgreSQL, MySQL, SQLite 등)를 위한 Django ORM 기반 세션

세션 구현을 구축했다면 여기에 추가할 수 있도록 문서 PR을 자유롭게 제출해 주세요!

API 참조

자세한 API 문서는 다음을 참조하세요.

• Session - 프로토콜 인터페이스
• OpenAIConversationsSession - OpenAI Conversations API 구현
• OpenAIResponsesCompactionSession - Responses API 압축 래퍼
• SQLiteSession - 기본 SQLite 구현
• AsyncSQLiteSession - aiosqlite 기반 비동기 SQLite 구현
• RedisSession - Redis 기반 세션 구현
• SQLAlchemySession - SQLAlchemy 기반 구현
• MongoDBSession - MongoDB 기반 세션 구현
• DaprSession - Dapr 상태 저장소 구현
• AdvancedSQLiteSession - 브랜칭과 분석을 갖춘 향상된 SQLite
• EncryptedSession - 모든 세션을 위한 암호화 래퍼