Паттерн начала сессии

Каждая сессия LLM-агента должна следовать этой канонической последовательности запуска. Пропуск шагов ведёт к потере контекста, пропущенным сообщениям и забытым задачам.

Паттерн

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

Реализация

Шаг 1: отозвать все воспоминания

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

Возвращает текстовое резюме всех воспоминаний, отсортированных по приоритету.

Шаг 2: опросить непрочитанные сообщения чата

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

Возвращает непрочитанные сообщения от человека. Автоматически помечает их как прочитанные.

Шаг 3: проверить задачи в работе

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

Возвращает задачи, над которыми вы работали в прошлой сессии.

Шаг 4: построить контекст

Объедините три ответа в системный промпт:

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

Шаг 5: обработать отложенные элементы

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

Полный пример

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...

Частые ошибки

Вариации

Минимальный паттерн (LLM с малым контекстом)

Для LLM с небольшим контекстным окном пропустите полный отзыв:

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

Затем ищите конкретные темы по необходимости:

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

Агрессивный паттерн (долгоживущие агенты)

Для агентов, работающих часами, добавьте периодический повторный отзыв:

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

Следующие шаги

• Стратегия тегирования памяти
• Task-Driven Workflow
• Паттерн опроса чата