{"title":"Schéma de début de session","slug":"session-start-pattern","category":"llm-cookbook","summary":"La séquence canonique de début de session que tout agent LLM devrait suivre.","audience":["llm"],"tags":["cookbook","session","pattern","startup"],"difficulty":"beginner","updated":"2026-06-27","word_count":283,"read_minutes":1,"llm_context":"ALWAYS at session start: 1) GET /memory/recall, 2) GET /chat/poll, 3) GET /mind/tasks?status=in_progress\nBuild system prompt from recall output.\nProcess unread chat messages before doing new work.\nResume any in_progress tasks before starting new ones.\nStore new learnings as they happen — don't wait until session end.\n","lang":"fr","translated":true,"requested_lang":"fr","content_markdown":"\n# Schéma de début de session\n\nChaque session d'agent LLM devrait suivre cette séquence canonique de démarrage.\nSauter des étapes mène à un contexte perdu, des messages manqués et des tâches\noubliées.\n\n## Le schéma\n\n```\n1. Recall all memories\n2. Poll for unread chat messages\n3. Check in-progress tasks\n4. Build context from results\n5. Process pending items before new work\n```\n\n## Implémentation\n\n### Étape 1 : rappeler toutes les mémoires\n\n> [!CRITICAL]\n> C'est l'appel le plus important. Sans lui, vous n'avez aucune mémoire des sessions\n> passées.\n\n```bash\ncurl -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n https://synapse.schaefer.zone/memory/recall\n```\n\nRenvoie un résumé en texte brut de toutes les mémoires, trié par priorité.\n\n### Étape 2 : polliner les messages chat non lus\n\n```bash\ncurl -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n https://synapse.schaefer.zone/chat/poll\n```\n\nRenvoie les messages non lus de l'humain. **Les marque automatiquement comme lus.**\n\n### Étape 3 : vérifier les tâches en cours\n\n```bash\ncurl -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n \"https://synapse.schaefer.zone/mind/tasks?status=in_progress\"\n```\n\nRenvoie les tâches sur lesquelles vous travailliez à la dernière session.\n\n### Étape 4 : construire le contexte\n\nCombinez les trois réponses dans votre prompt système :\n\n```python\ndef build_context(memories, messages, tasks):\n context = f\"\"\"# SESSION CONTEXT\n\n## Memories (from previous sessions)\n{memories}\n\n## Unread Messages from Human\n{format_messages(messages)}\n\n## Active Tasks\n{format_tasks(tasks)}\n\n## Instructions\n- Address unread messages first\n- Resume active tasks before starting new work\n- Store new learnings as they happen (POST /memory)\n- Poll for new messages every 30-60 seconds\n\"\"\"\n return context\n```\n\n### Étape 5 : traiter les éléments en attente\n\n```\nFor each unread message:\n - Acknowledge receipt (POST /chat/reply)\n - Address the message content\n - Store any new commitments as memories\n\nFor each in-progress task:\n - Recall why you were working on it\n - Continue from where you left off\n - Update task status as you progress\n```\n\n## Exemple complet\n\n```python\nimport os\nimport requests\n\nURL = \"https://synapse.schaefer.zone\"\nKEY = os.environ[\"SYNAPSE_MIND_KEY\"]\n\ndef session_start():\n \"\"\"Canonical session start sequence.\"\"\"\n headers = {\"Authorization\": f\"Bearer {KEY}\"}\n \n # 1. Rappeler les mémoires\n r = requests.get(f\"{URL}/memory/recall\", headers=headers)\n memories = r.text\n \n # 2. Polliner le chat\n r = requests.get(f\"{URL}/chat/poll\", headers=headers)\n messages = r.json().get(\"messages\", [])\n \n # 3. Vérifier les tâches\n r = requests.get(f\"{URL}/mind/tasks?status=in_progress\", headers=headers)\n tasks = r.json().get(\"tasks\", [])\n \n # 4. Construire le contexte\n context = f\"\"\"You are a Synapse-enabled AI assistant.\n\nMEMORIES FROM PREVIOUS SESSIONS:\n{memories}\n\nUNREAD MESSAGES FROM HUMAN:\n{chr(10).join(f'- {m[\"content\"]}' for m in messages) or 'None'}\n\nACTIVE TASKS:\n{chr(10).join(f'- [{t[\"id\"]}] {t[\"title\"]}: {t.get(\"description\", \"\")}' for t in tasks) or 'None'}\n\nINSTRUCTIONS:\n1. Acknowledge each unread message\n2. Resume active tasks\n3. Store new learnings via POST /memory\n4. Poll /chat/poll every 30-60 seconds\n\"\"\"\n return context\n\n# Au début de session\nsystem_prompt = session_start()\n# Passer au LLM...\n```\n\n## Erreurs courantes\n\n> [!WARNING]\n> - **Sauter le rappel** — vous commencez sans contexte, répétez les erreurs passées\n> - **Oublier de polliner le chat** — les messages de l'humain restent sans réponse\n> - **Ignorer les tâches actives** — le travail est oublié en cours d'exécution\n> - **Ne rien stocker** — la session ne produit aucune valeur persistante\n\n## Variations\n\n### Schéma minimal (LLM à faible contexte)\n\nPour les LLM avec de petites fenêtres de contexte, sautez le rappel complet :\n\n```bash\n# Juste obtenir les stats, pas le contenu complet\ncurl -H \"Authorization: Bearer $KEY\" .../memory/stats\n```\n\nPuis recherchez des sujets spécifiques au besoin :\n\n```bash\ncurl -H \"Authorization: Bearer $KEY\" \".../memory/search?q=current+project\"\n```\n\n### Schéma agressif (agents longue durée)\n\nPour les agents qui tournent pendant des heures, ajoutez un re-rappel périodique :\n\n```python\nwhile working:\n if time.time() - last_recall > 3600: # toutes les heures\n memories = recall()\n last_recall = time.time()\n # ... do work ...\n```\n\n## Prochaines étapes\n\n- [Stratégie de tagging mémoire](/docs/llm-cookbook/memory-tagging-strategy)\n- [Workflow piloté par les tâches](/docs/llm-cookbook/task-driven-workflow)\n- [Schéma de polling de chat](/docs/llm-cookbook/chat-polling-pattern)\n","content_html":"

Schéma de début de session

\n

Chaque session d'agent LLM devrait suivre cette séquence canonique de démarrage.\nSauter des étapes mène à un contexte perdu, des messages manqués et des tâches\noubliées.

\n

Le schéma

\n
1. Recall all memories\n2. Poll for unread chat messages\n3. Check in-progress tasks\n4. Build context from results\n5. Process pending items before new work

Implémentation

\n

Étape 1 : rappeler toutes les mémoires

\n
C'est l'appel le plus important. Sans lui, vous n'avez aucune mémoire des sessions\npassées.
curl -H "Authorization: Bearer YOUR_MIND_KEY" \\\n     https://synapse.schaefer.zone/memory/recall

Renvoie un résumé en texte brut de toutes les mémoires, trié par priorité.

\n

Étape 2 : polliner les messages chat non lus

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

Renvoie les messages non lus de l'humain. Les marque automatiquement comme lus.

\n

Étape 3 : vérifier les tâches en cours

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

Renvoie les tâches sur lesquelles vous travailliez à la dernière session.

\n

Étape 4 : construire le contexte

\n

Combinez les trois réponses dans votre prompt système :

\n
def build_context(memories, messages, tasks):\n    context = f"""# SESSION CONTEXT\n\n## Memories (from previous sessions)\n{memories}\n\n## Unread Messages from Human\n{format_messages(messages)}\n\n## Active Tasks\n{format_tasks(tasks)}\n\n## Instructions\n- Address unread messages first\n- Resume active tasks before starting new work\n- Store new learnings as they happen (POST /memory)\n- Poll for new messages every 30-60 seconds\n"""\n    return context

Étape 5 : traiter les éléments en attente

\n
For each unread message:\n  - Acknowledge receipt (POST /chat/reply)\n  - Address the message content\n  - Store any new commitments as memories\n\nFor each in-progress task:\n  - Recall why you were working on it\n  - Continue from where you left off\n  - Update task status as you progress

Exemple complet

\n
import os\nimport requests\n\nURL = "https://synapse.schaefer.zone"\nKEY = os.environ["SYNAPSE_MIND_KEY"]\n\ndef session_start():\n    """Canonical session start sequence."""\n    headers = {"Authorization": f"Bearer {KEY}"}\n    \n    # 1. Rappeler les mémoires\n    r = requests.get(f"{URL}/memory/recall", headers=headers)\n    memories = r.text\n    \n    # 2. Polliner le chat\n    r = requests.get(f"{URL}/chat/poll", headers=headers)\n    messages = r.json().get("messages", [])\n    \n    # 3. Vérifier les tâches\n    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)\n    tasks = r.json().get("tasks", [])\n    \n    # 4. Construire le contexte\n    context = f"""You are a Synapse-enabled AI assistant.\n\nMEMORIES FROM PREVIOUS SESSIONS:\n{memories}\n\nUNREAD MESSAGES FROM HUMAN:\n{chr(10).join(f'- {m["content"]}' for m in messages) or 'None'}\n\nACTIVE TASKS:\n{chr(10).join(f'- [{t["id"]}] {t["title"]}: {t.get("description", "")}' for t in tasks) or 'None'}\n\nINSTRUCTIONS:\n1. Acknowledge each unread message\n2. Resume active tasks\n3. Store new learnings via POST /memory\n4. Poll /chat/poll every 30-60 seconds\n"""\n    return context\n\n# Au début de session\nsystem_prompt = session_start()\n# Passer au LLM...

Erreurs courantes

\n

Variations

\n

Schéma minimal (LLM à faible contexte)

\n

Pour les LLM avec de petites fenêtres de contexte, sautez le rappel complet :

\n
# Juste obtenir les stats, pas le contenu complet\ncurl -H "Authorization: Bearer $KEY" .../memory/stats

Puis recherchez des sujets spécifiques au besoin :

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

Schéma agressif (agents longue durée)

\n

Pour les agents qui tournent pendant des heures, ajoutez un re-rappel périodique :

\n
while working:\n    if time.time() - last_recall > 3600:  # toutes les heures\n        memories = recall()\n        last_recall = time.time()\n    # ... do work ...

Prochaines étapes

\n\n","urls":{"html":"/docs/llm-cookbook/session-start-pattern","text":"/docs/llm-cookbook/session-start-pattern?format=text","json":"/docs/llm-cookbook/session-start-pattern?format=json","llm":"/docs/llm-cookbook/session-start-pattern?format=llm"},"translations_available":["en","zh","hi","es","fr","ar","pt","ru","ja","de","it","ko","nl","pl","tr","sv","vi","th","id","uk"]}