Pi源代码学习-2：Session 的两层含义及 createAgentSession() 基本使用

关注我~第一时间学习如何更好地搭建AI Agent。

重要的不是我们是否会被AI替代，

而是我们要比被替代的人更懂AI。

前期导览：

LangGraph学习笔记年度总结：以ReAct框架为视角的知识体系全景图

Pi源代码学习-1：Model->Agent->Session 的三层架构概览

大家好，上一期我们梳理了Pi的三层架构，本期开始进入 SDK 实战。

动手前的准备

动手之前，先把环境搭好。

首先，确认node版本，要求 >= 22.19.0

然后， cd 切到你打算放项目的文件夹，用 git clone拉取源代码。指令会新建一个pi-mono文件夹，继续 cd进去。

在pi-mono目录下安装依赖并构建项目。

配置模型API key，这里我用的是minimax国内版，使用其他模型的请参考官方文档：

完成以上步骤之后，一般情况下你就可以使用 Pi 了。若想先试 TUI，在仓库根目录（ pi-mono ）执行 npx pi；Linux/macOS 也可用 ./pi-test.sh。若已全局安装 @earendil-works/pi-coding-agent，则可直接输入 pi。用法类似 Claude Code，在终端里与 Agent 对话即可。

不过本期从 coding-agent 包的 SDK 示例入手，你可以执行以下指令，运行第一个示例 01-minimal.ts：

Why createAgentSession ？

上一期我们从下往上梳理了 Pi 的三层分工： pi-ai 管模型调用， pi-agent-core 管 agent loop， pi-coding-agent 把它们组装成能直接用的 Coding Agent。三层里对外的总出口，就是 createAgentSession()，官方 SDK 文档也把它称为创建 AgentSession 的主工厂函数。

换言之，只用 createAgentSession() 一行代码、不传参数，我们就能把模型、工具、会话持久化、skills 发现等 Harness 能力全部配齐。想改哪一块，往参数里加就行； examples/sdk/ 从 02 到 13 的示例，都是在这个入口上换不同配置。所以，先从这里入手，能最快看清 Pi 对外提供了什么；

之后继续读源码时，从 session.prompt() 开始往底层探索的话，会依次经过内部的 Agent.prompt()、agent loop，最后在 pi-ai 里调用 streamSimple() 向模型发请求。从这个意义上， createAgentSession()也是我们最合适的入口。

什么是 Session？

进入示例代码之前，我们需要理解一下 Session 这个概念。在 Pi 里，「Session」其实至少涉及两个层面：

第一个层面，是「一次对话的存档」——Pi 把你在某个项目里跟 Agent 来回聊的整段记录，当作一个 Session 来管理。

通俗来说，这个层面的 Session 就是一份有编号的对话档案： 它有唯一的 sessionId，记录了当时的工作目录（ cwd ）、创建时间，以及从第一条用户输入到最新一轮回复的全部往来——用户说了什么、模型回了什么、调了哪些工具、中途换过什么模型，都记在里面。你在 TUI 里 /resume 挑一条旧对话继续聊，或在 /fork 里从某条消息分叉出新路线，操作的其实都是某一份这样的档案。

这个层面的session如何保存到我们的设备中，由 SessionManager（ packages/coding-agent/src/core/session-manager.ts ）负责。

第二个层面，是运行时对象 AgentSession——也就是 createAgentSession() 返回给我们的那个 session对象。

session对象 的定义在 packages/coding-agent/src/core/agent-session.ts，它是Pi的 interactive、print、rpc 等所有运行模式共享的核心抽象。我们调用的 session.prompt()、 session.subscribe()、 session.dispose()，操作的都是这个对象。

它内部持有一个已经配好工具、模型、扩展的 Agent（上一期讲过： session.prompt() 最终会转到 agent.prompt() 去跑 loop ）；同时还带有 SessionManager、 SettingsManager 等组件，在 loop 之外处理配置读取、事件推送、自动持久化、压缩等 Harness 事务。

换句话说， AgentSession 解决的是如何跟 Agent 打交道 ，而第一个层面那份 JSONL 档案解决的是事后怎么找回来、怎么接着聊 。当然，两个层面间具有非常紧密的关系， createAgentSession() 默认会把它们绑在一起： 运行中的 AgentSession 会通过调用 SessionManager，把对话实时同步进第一个层面的 JSONL 档案。

下面，我们先通过第一个示例代码来理解Pi SDK，尤其是 createAgentSession() 的基本功能。

最简示例：01-minimal.ts

官方最简示例在 packages/coding-agent/examples/sdk/01-minimal.ts，全文如下：

这段代码就是 Pi SDK 的典型用法。官方 examples/sdk/ 目录下的示例基本都遵循同一套套路：**先 createAgentSession() 创建 session，再使用 session 与 Agent 交互，最后 session.dispose() 释放资源。

这些示例都是一次性 跑完就退出———发一条 prompt、拿到结果、释放资源，进程随即结束。如果想要做成可持续对话的模式，可以尝试在自己的脚本里保持同一个 session 不销毁，循环调用 session.prompt()，每轮输入都会追加到同一段对话历史里即可。

下面我们来具体感受下示例代码。

1. 创建：AgentSession

在这个示例中，我们没有向 createAgentSession() 传递任何参数。这意味着 Pi 组装出来的 AgentSession在模型、工具、工作目录、存档方式等方面，将全部走默认配置。具体来说：

也就是说：你写一行 createAgentSession()，Pi 就按上表帮你配好一套能用的 Coding Agent。当然，我们也可以通过传递参数的方式对模型、工具等进行修改，这就是后面几个示例代码展示的内容了。

2. 监听：session.subscribe()

示例代码在 session.prompt() 之前写了一个 session.subscribe()。这个 subscribe 是 Pi 对外提供的一条底层事件通道。原理上讲，就是把一个回调函数注册进 AgentSession 的监听器列表，运行过程中 Pi 每产生一个 AgentSessionEvent，就会调用这个回调，把事件对象传进去。

当 Agent 开始工作，就会连续抛出过程事件，比如模型流式输出、工具开始执行、工具返回、本轮结束等。对 TUI 而言，这些事件就是界面更新的数据源：UI不会在问题跑完后再去翻 messages，而是订阅同一条事件流，事件描述「此刻发生了什么」，界面就据此增量刷新。你在终端里看到的对话、工具进度，本质上是 Agent 运行过程通过这条通道实时投射到屏幕上的。

我们来具体看下代码：

上述代码的效果，其实就是在 Agent 运行期间，把模型回复的流式文字实时打到终端上。

Pi 运行过程中会不断调用这个回调；每次调用时，会对接收的事件进行2个条件判断：

• event.type === "message_update"：

这是一条「消息内容正在更新」的事件，说明模型还没把整段话说完，Pi 就在往外推中间状态。

• event.assistantMessageEvent.type === "text_delta"：

在这次更新里，变动的是 正文文字的流式片段 ； event.assistantMessageEvent.delta 就是本次新冒出来的一小段字符串。

只要上述两个条件同时满足，Pi就会把事件里带着的一小段新文字（即 delta ），用 process.stdout.write 续写出来。由于 process.stdout.write 不带换行，所以字会一行行接在同一行后面，看起来就是一个个蹦出来的。

值得一提的是， subscribe 能接的不止流式文字。按官方 examples/sdk/README.md 的写法，你还可以监听 tool_execution_start（工具开始执行 ）、 tool_execution_end（工具跑完 ）、 agent_end（本轮结束 ）等——TUI 的 handleEvent() 也是按这个思路分事件处理的。但在 01-minimal.ts 里，这一步不是必须的：不写 subscribe，后面照样可以向 Agent 发指令并正常跑完；只是脚本里看不到过程输出，你得等 Agent 结束后，再从 session.state.messages 里一次性翻看完整记录。

3. 使用：session.prompt()

前面两步准备好之后，真正跟 Agent 对话就靠这一行了：

session.prompt() 是 SDK 里最核心的用法——你把用户输入传进去，Pi 负责剩下的事。

上一期讲过，第二层agent包里的 agent.prompt() 会先把用户输入包装成一条 user 消息，追加到 state.messages，再进入 agent loop 调模型；若模型返回 tool call，就执行工具、把结果写回，并自动再调一轮，直到本轮不再产生工具调用才结束。那是 Agent 的核心工作： 维护内存里的对话状态，跑完 ReAct 式的内层循环。

session.prompt() 并不是另起炉灶。 AgentSession 内部持有一个已经配好的 Agent，也就是说，你调用 session.prompt()，等准备做完，最终还是转到 agent.prompt() 去跑 loop。

差别在于，Session 在 loop 之外又包了一层 Harness。对 Pi 来说， session.prompt() 在把消息交给 Agent 之前，已经替用户做过一轮「发送前处理」——扩展可以拦截或改写输入，skill / 模板命令会先展开，系统提示词会按扩展要求刷新，模型和鉴权也会先校验一遍。

消息进入 loop 之后，内层行为和 agent.prompt() 并无二致；loop 推出来的事件， AgentSession 会接住并往外转：前面注册的 subscribe 能实时收到， SessionManager 也会把消息写入本地档案。loop 跑完也不是到此为止——若需要自动重试、上下文压缩等，Harness 还会继续善后，必要时再驱动 agent.continue() 补跑。

换句话说，** agent.prompt() 解决「单一轮怎么跑」； session.prompt() 解决「发之前做好准备、跑的过程中有人记账和广播、跑完之后有人收尾」**。示例里虽然只写了一行字符串，看起来很简单，其实外面那层 Harness 的脏活累活都已经代劳了。

示例问的是「当前目录有哪些文件」。这类问题 Agent 没法凭空回答，通常会调用默认工具里的 bash（比如跑 ls ）去查，再把结果组织成自然语言回复给你。前面如果注册了 subscribe，流式文字和工具进度会边跑边打印；这里加 await，则是等整轮 loop 彻底跑完 再往下走——期间可能经历多轮模型调用和工具往返，但对你而言就是「发一条指令，等它干完」。

4. 收尾 session.dispose()

prompt() 返回之后，示例没有立刻退出，而是先把对话记录翻出来看一遍，再释放 session：

session.state.messages 是当前内存里的完整对话列表，本质上就是内部 Agent 的 state.messages。跑完一轮 prompt() 之后，这里面通常已经攒下了好几条消息：你的用户输入、模型的助手回复、中间的 tool call 和 tool result 等。示例用 forEach 把它们逐条 console.log 出来，方便你对照「Agent 实际走了哪些步骤」——如果前面没开 subscribe，这里就是一次性查看全程记录的主要方式。

session.dispose() 则是告诉 Pi「这个 session 用完了」。它会断开与内部 Agent 的事件连接、清理监听器，释放本轮占用的资源。示例把它放在 finally 里，是为了无论 prompt() 成功还是抛错，收尾都能执行。值得一提的是，对话记录这件事在运行过程中已经由 SessionManager 做完了， dispose() 并不负责「保存聊天记录」，而是负责把运行时对象干净地关掉。

总结

本期我们从上一期的三层架构落到了 SDK 实战，用官方最简示例 01-minimal.ts 走通了 createAgentSession() 的基本用法：

1. createAgentSession()：

一行代码、不传参数，Pi 就按默认配置帮你配好模型、工具、工作目录和会话持久化——这是第三层 Harness 对外的总入口。 2. session.subscribe()

（可选 ）：注册回调，接收 Agent 运行过程中的事件流；示例只处理了 text_delta， 让你实时看到模型回复，TUI 的实时展示也是同一套机制。

3. session.prompt()：

表面写法与第二层的 agent.prompt() 相近，但多了一层 Harness——发前处理、跑中广播与存档、跑后善后，内层 loop 仍由 Agent 执行。

4. session.dispose()：

负责干净释放运行时资源。

跑通这个示例之后，我们就掌握了 Pi SDK 的标准套路：创建 session → 按需订阅 → 发指令 → 收尾释放 。 examples/sdk/ 里从 02 到 13 的后续示例，都是在这个骨架上替换模型、工具、存档方式等配置——这些定制化我们后面再研究。

好了，以上就是本期的主要内容，希望对大家有帮助，喜欢的朋友别忘了点赞、收藏、转发～祝大家玩得开心。

—— END——

往期精华：

1.LangGraph教程

LangGraph学习笔记年度总结：以ReAct框架为视角的知识体系全景图

2.OpenDeepResearch源码学习

LangGraph实战研究 — Open Deep Research源代码学习：多Agent系统的动态模型配置方法

LangGraph实战研究 — Open Deep Research源代码学习：多Agent系统架构的设计思路与实现方法

LangGraph实战研究 — Open Deep Research源代码学习：多Agent系统的State设计思路

3.COZE教程

零基础搞定！萌新的 Coze 开源版保姆级本地部署指南

AI工作流编排手把手指南之一：Coze智能体的创建与基本设置

AI工作流编排手把手指南之二：Coze智能体的插件添加与调用

AI工作流编排手把手指南之三：Coze智能体的工作流

Agent | 工作流编排指南4：萌新友好的Coze选择器节点原理及配置教程

Agent | 工作流编排指南5：长文扩写自由 — Coze循环节点用法详解

Coze工作流编排指南6：聊天陪伴类智能体基本工作流详解-快来和玛奇玛小姐姐谈心吧~

PPT自由！Coze工作流 X iSlide插件-小白也能看懂的节点参数配置原理详解

4.MCP探索

Excel-MCP应用 | 自动提取图片数据到Excel的极简工作流手把手教程

markitdown-mcp联动Obsidian-mcp | 一个极简知识管理工作流

【15合1神器】不会代码也能做高级图表！这个MCP工具让我工作效率翻了不止三倍！

【效率翻倍】Obsidian自动待办清单实现：MCP联动Prompt保姆级教程（萌新3分钟上手 ）

萌新靠MCP实现RPA、爬虫自由？playwright-mcp实操案例分享！

高德、彩云MCP全体验：让Cherry Studio化身私人小助理的喂饭版指南！

5.Prompt设计

干货分享 | Prompt设计心法 - 如何3步做到清晰表达需求？

打工人看了流泪的Prompt设计原理，如何用老板思维让AI一次听懂需求？

不会Prompt还敢说自己会用DeepSeek？别怕！10分钟让你成为提示大神！