# セッション開始パターン

すべての LLM エージェントセッションはこの標準的なスタートアップシーケンスに従うべきです。ステップを省略すると、コンテキストの喪失、メッセージの見逃し、タスクの忘れにつながります。

## パターン

```
1. Recall all memories
2. Poll for unread chat messages
3. Check in-progress tasks
4. Build context from results
5. Process pending items before new work
```

## 実装

### ステップ 1：すべてのメモリをリコール

> [!CRITICAL]
> これが最も重要な呼び出しです。これがないと、過去のセッションの記憶がありません。

```bash
curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/memory/recall
```

すべてのメモリのプレーンテキストサマリーを優先度順で返します。

### ステップ 2：未読チャットメッセージをポーリング

```bash
curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     https://synapse.schaefer.zone/chat/poll
```

人間からの未読メッセージを返します。**自動的に既読にします。**

### ステップ 3：進行中のタスクを確認

```bash
curl -H "Authorization: Bearer YOUR_MIND_KEY" \
     "https://synapse.schaefer.zone/mind/tasks?status=in_progress"
```

前回のセッションで作業していたタスクを返します。

### ステップ 4：コンテキストを構築

3 つのレスポンスをシステムプロンプトにまとめます：

```python
def build_context(memories, messages, tasks):
    context = f"""# SESSION CONTEXT

## Memories (from previous sessions)
{memories}

## Unread Messages from Human
{format_messages(messages)}

## Active Tasks
{format_tasks(tasks)}

## Instructions
- Address unread messages first
- Resume active tasks before starting new work
- Store new learnings as they happen (POST /memory)
- Poll for new messages every 30-60 seconds
"""
    return context
```

### ステップ 5：保留中の項目を処理

```
For each unread message:
  - Acknowledge receipt (POST /chat/reply)
  - Address the message content
  - Store any new commitments as memories

For each in-progress task:
  - Recall why you were working on it
  - Continue from where you left off
  - Update task status as you progress
```

## 完全な例

```python
import os
import requests

URL = "https://synapse.schaefer.zone"
KEY = os.environ["SYNAPSE_MIND_KEY"]

def session_start():
    """Canonical session start sequence."""
    headers = {"Authorization": f"Bearer {KEY}"}
    
    # 1. Recall memories
    r = requests.get(f"{URL}/memory/recall", headers=headers)
    memories = r.text
    
    # 2. Poll chat
    r = requests.get(f"{URL}/chat/poll", headers=headers)
    messages = r.json().get("messages", [])
    
    # 3. Check tasks
    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)
    tasks = r.json().get("tasks", [])
    
    # 4. Build context
    context = f"""You are a Synapse-enabled AI assistant.

MEMORIES FROM PREVIOUS SESSIONS:
{memories}

UNREAD MESSAGES FROM HUMAN:
{chr(10).join(f'- {m["content"]}' for m in messages) or 'None'}

ACTIVE TASKS:
{chr(10).join(f'- [{t["id"]}] {t["title"]}: {t.get("description", "")}' for t in tasks) or 'None'}

INSTRUCTIONS:
1. Acknowledge each unread message
2. Resume active tasks
3. Store new learnings via POST /memory
4. Poll /chat/poll every 30-60 seconds
"""
    return context

# At session start
system_prompt = session_start()
# Pass to LLM...
```

## よくある間違い

> [!WARNING]
> - **リコールを省略** — コンテキストなしで開始し、過去の失敗を繰り返す
> - **チャットのポーリング忘れ** — 人間のメッセージが未応答のまま
> - **アクティブなタスクの無視** — 作業が実行中に忘れられる
> - **何も保存しない** — セッションが永続的価値を生まない

## バリエーション

### 最小パターン（低コンテキスト LLM）

コンテキストウィンドウが小さい LLM の場合、完全なリコールを省略します：

```bash
# Just get stats, not full content
curl -H "Authorization: Bearer $KEY" .../memory/stats
```

必要に応じて特定のトピックを検索します：

```bash
curl -H "Authorization: Bearer $KEY" ".../memory/search?q=current+project"
```

### 積極的パターン（長時間実行エージェント）

数時間動くエージェントには、定期的な再リコールを追加します：

```python
while working:
    if time.time() - last_recall > 3600:  # every hour
        memories = recall()
        last_recall = time.time()
    # ... do work ...
```

## 次のステップ

- [Memory Tagging Strategy](/docs/llm-cookbook/memory-tagging-strategy)
- [Task-Driven Workflow](/docs/llm-cookbook/task-driven-workflow)
- [Chat Polling Pattern](/docs/llm-cookbook/chat-polling-pattern)