# Costruire un agente LLM persistente
SUMMARY: Guida passo-passo per costruire un agente LLM che ricorda tra le sessioni usando Synapse.

Panoramica
Questa guida la accompagna nella costruzione di un agente LLM che persiste il
contesto tra le sessioni usando Synapse. Alla fine, il suo agente:
- Richiamerà il contesto passato all'inizio della sessione
- Memorizzerà nuovi apprendimenti man mano che accadono
- Traccerà attività multi-step tra le sessioni
- Comunicherà con gli umani tramite chat asincrona
Architettura
[CODE BLOCK]
Passo 1: Configuri la Mind Key
[CODE BLOCK]
Passo 2: Protocollo di inizio sessione
All'inizio di ogni sessione, richiami tutte le memorie:
[CODE BLOCK]
Passo 3: Memorizzi nuovi apprendimenti
Ogni volta che l'agente impara qualcosa che vale la pena ricordare:
[CODE BLOCK]
Passo 4: Gestione delle attività
Tracci lavoro multi-step tra le sessioni:
[CODE BLOCK]
Passo 5: Chat asincrona con gli umani
Eseguire il polling dei messaggi tra le chiamate agli strumenti:
[CODE BLOCK]
Passo 6: Protocollo di fine sessione
Alla fine della sessione, memorizzi il contesto finale:
[CODE BLOCK]
Modello completo
[CODE BLOCK]
Best practice
> [!TIP]
>
> - Richiami sempre prima — non inizi mai il lavoro senza caricare il contesto
> - Memorizzi proattivamente — non aspetti fino alla fine della sessione
> - Usi chiavi significative — , , non 
> - Tagghi tutto — i tag alimentano ricerca e filtraggio
> - Imposti priorità realistiche — non tutto è 
Prossimi passi
- LLM Cookbook — modelli pratici
- Best practice per la memoria
- Coordinazione multi-agente