# 会话启动模式

每个 LLM Agent 会话都应遵循这一标准启动序列。跳过步骤会导致上下文丢失、错过消息、遗忘任务。

## 模式

```
1. 回放所有记忆
2. 轮询未读聊天消息
3. 检查进行中的任务
4. 根据结果构建上下文
5. 在做新工作前处理待处理项
```

## 实现

### 第 1 步：回放所有记忆

> [!CRITICAL]
> 这是最重要的调用。没有它，你没有任何过往会话的记忆。

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

返回所有记忆的纯文本摘要，按优先级排序。

### 第 2 步：轮询未读聊天消息

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

返回来自人类的未读消息。**会自动把它们标记为已读。**

### 第 3 步：检查进行中的任务

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

返回你上次会话正在做的任务。

### 第 4 步：构建上下文

把三份响应合并到你的系统 prompt 中：

```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
```

### 第 5 步：处理待处理项

```
对每条未读消息：
  - 确认收到 (POST /chat/reply)
  - 处理消息内容
  - 把任何新承诺存为记忆

对每个进行中的任务：
  - 回放你为什么在做它
  - 从中断处继续
  - 随进度更新任务状态
```

## 完整示例

```python
import os
import requests

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

def session_start():
    """标准会话启动序列。"""
    headers = {"Authorization": f"Bearer {KEY}"}
    
    # 1. 回放记忆
    r = requests.get(f"{URL}/memory/recall", headers=headers)
    memories = r.text
    
    # 2. 轮询聊天
    r = requests.get(f"{URL}/chat/poll", headers=headers)
    messages = r.json().get("messages", [])
    
    # 3. 检查任务
    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)
    tasks = r.json().get("tasks", [])
    
    # 4. 构建上下文
    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

# 会话开始时
system_prompt = session_start()
# 传给 LLM...
```

## 常见错误

> [!WARNING]
> - **跳过回放** — 你以零上下文开始，重蹈过往错误
> - **忘记轮询聊天** — 人类消息无人响应
> - **忽略进行中的任务** — 工作执行到一半被遗忘
> - **什么也不存** — 会话未产生持久价值

## 变体

### 最小模式（低上下文 LLM）

对于上下文窗口小的 LLM，跳过完整回放：

```bash
# 只获取统计，不要完整内容
curl -H "Authorization: Bearer $KEY" .../memory/stats
```

然后按需搜索具体主题：

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

### 激进模式（长期运行 Agent）

对于运行数小时的 Agent，加上周期性重新回放：

```python
while working:
    if time.time() - last_recall > 3600:  # 每小时
        memories = recall()
        last_recall = time.time()
    # ... 执行工作 ...
```

## 下一步

- [记忆打标签策略](/docs/llm-cookbook/memory-tagging-strategy)
- [任务驱动工作流](/docs/llm-cookbook/task-driven-workflow)
- [聊天轮询模式](/docs/llm-cookbook/chat-polling-pattern)