# รูปแบบการเริ่ม Session

ทุก LLM agent session ควรทำตามลำดับ startup แบบ canonical นี้ การข้ามขั้นตอนนำไปสู่ context สูญหาย, ข้อความที่พลาด และ task ที่ลืม

## รูปแบบ

```
1. Recall memory ทั้งหมด
2. Poll ข้อความแช็ตที่ยังไม่ได้อ่าน
3. ตรวจ task ที่กำลังดำเนินการ
4. สร้าง context จากผลลัพธ์
5. ประมวลผลรายการที่ค้างก่อนงานใหม่
```

## การ implement

### ขั้นตอนที่ 1: Recall Memory ทั้งหมด

> [!CRITICAL]
> นี่เป็นการเรียกที่สำคัญที่สุด หากไม่มี คุณไม่มี memory ของ session ที่ผ่านมา

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

ส่งกลับสรุปแบบ plain-text ของ memory ทั้งหมด เรียงตาม priority

### ขั้นตอนที่ 2: Poll ข้อความแช็ตที่ยังไม่ได้อ่าน

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

ส่งกลับข้อความที่ยังไม่ได้อ่านจาก human **ทำเครื่องหมายว่าอ่านแล้วโดยอัตโนมัติ**

### ขั้นตอนที่ 3: ตรวจ Task ที่กำลังดำเนินการ

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

ส่งกลับ task ที่คุณทำอยู่ session ที่แล้ว

### ขั้นตอนที่ 4: สร้าง Context

รวม response ทั้งสามเข้าใน system prompt ของคุณ:

```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
```

### ขั้นตอนที่ 5: ประมวลผลรายการที่ค้าง

```
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
```

## ตัวอย่างสมบูรณ์

```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...
```

## ความผิดพลาดทั่วไป

> [!WARNING]
> - **ข้าม recall** — คุณเริ่มโดยไม่มี context, ทำ mistake ซ้ำ
> - **ลืม poll แช็ต** — ข้อความของ human ไม่ได้รับการตอบ
> - **ละเลย task active** — งานถูกลืมกลางการปฏิบัติ
> - **ไม่เก็บอะไร** — session ไม่สร้างค่าถาวร

## รูปแบบแปรผัน

### รูปแบบ minimal (LLM context ต่ำ)

สำหรับ LLM ที่มี context window เล็ก ข้าม full recall:

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

จากนั้นค้นหาหัวข้อเฉพาะตามต้องการ:

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

### รูปแบบ aggressive (agent รันนาน)

สำหรับ agent ที่รันเป็นชั่วโมง เพิ่ม re-recall เป็นคาบ:

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

## ขั้นตอนถัดไป

- [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)