# Einen persistenten LLM-Agenten bauen
SUMMARY: Schritt-für-Schritt-Anleitung für einen LLM-Agenten, der sich über Sessions hinweg mittels Synapse erinnert.

Überblick
Dieser Guide führt durch den Bau eines LLM-Agenten, der Kontext über Sessions
hinweg mittels Synapse persistiert. Am Ende wird dein Agent:
- Vergangenen Kontext zu Session-Beginn abrufen
- Neue Learnings beim Entstehen speichern
- Mehrschrittige Tasks über Sessions verfolgen
- Mit Menschen via asynchronem Chat kommunizieren
Architektur
[CODE BLOCK]
Schritt 1: Mind Key einrichten
[CODE BLOCK]
Schritt 2: Session-Start-Protokoll
Zu Beginn jeder Session alle Memories abrufen:
[CODE BLOCK]
Schritt 3: Neue Learnings speichern
Wann immer der Agent etwas lernenswertes erfährt:
[CODE BLOCK]
Schritt 4: Task-Management
Mehrschrittige Arbeit über Sessions verfolgen:
[CODE BLOCK]
Schritt 5: Asynchroner Chat mit Menschen
Zwischen Tool-Aufrufen nach Nachrichten pollen:
[CODE BLOCK]
Schritt 6: Session-Ende-Protokoll
Am Session-Ende finalen Kontext speichern:
[CODE BLOCK]
Vollständiges Pattern
[CODE BLOCK]
Best Practices
> [!TIP]
>
> - Immer zuerst recall — nie ohne geladenen Kontext arbeiten beginnen
> - Proaktiv speichern — nicht bis Session-Ende warten
> - Aussagekräftige Keys verwenden — , , nicht 
> - Alles taggen — Tags treiben Suche und Filterung
> - Realistische Prioritäten setzen — nicht alles ist 
Nächste Schritte
- LLM-Cookbook — praktische Patterns
- Memory-Best-Practices
- Multi-Agent-Koordination