工作階段

工作階段會在各回合之間保留其工作目錄與對話歷史。litellm.agent() 會為單一回合建立工作階段，並在之後關閉它。當您需要超過一個回合時，請使用 litellm.agent_session()

多回合

with litellm.agent_session(Harness.CODEX, sandbox=box, model="litellm_proxy/coder") as s:
    s.run("Install dev deps.")
    s.run("Run the router unit tests and summarize failures.")
    r = s.run("Fix the first failure. Keep the diff small.")
    print(s.cost)  # running total across all turns

您傳遞給 agent_session() 的選項會套用到每個回合。

結束工作階段

方法	執行階段	沙箱	可續接
s.close()	已停止	若工作階段建立了它，則關閉	否
s.detach() 回傳 State	已停放	保持執行中	是
s.stop() 回傳 State	已停止	若工作階段建立了它，則關閉	是

離開 with 區塊時，會呼叫 close()，除非您已經呼叫過 detach() 或 stop()。如果您傳入沙箱，則它屬於您。

跨程序

對於支援續接的 harness，State 會保存 harness、其原生工作階段 ID、工作目錄和模型。它絕不保存憑證。state.dumps() 會提供給您位元組，以便儲存在任何地方

app.py

from litellm import Harness
from litellm.harness import State

@app.post("/chat/{chat_id}")
async def chat(chat_id: str, msg: str):
    raw = await redis.get(f"harness:{chat_id}")
    box = sandbox.docker("my-agents:latest", name=f"chat-{chat_id}")

    if raw:
        s = await litellm.aagent_resume(State.loads(raw), sandbox=box)
    else:
        s = await litellm.aagent_session(Harness.CLAUDE_CODE, sandbox=box, model="litellm_proxy/coder")

    async with s:
        r = await s.arun(msg)
        await redis.set(f"harness:{chat_id}", (await s.adetach()).dumps())
    return {"text": r.text, "cost": r.cost}

當狀態來自不同的 harness 或無法讀取時，agent_resume() 會引發 StateIncompatible。Tool Loop 不支援續接

歷史

messages = s.history()  # OpenAI-format messages

Deep Agents 和 Tool Loop 在此版本中支援歷史記錄。在其他 harness 上，history() 會引發 CapabilityUnsupported。Tool Loop 會在同一工作階段中的停止/啟動之間保留其 OpenAI 格式訊息，但不支援分離與續接