Modello di inizio sessione

Ogni sessione di agente LLM dovrebbe seguire questa sequenza canonica di avvio. Saltare i passi porta a contesto perso, messaggi mancati e attività dimenticate.

Il modello

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

Implementazione

Passo 1: richiami tutte le memorie

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

Restituisce un riassunto in testo semplice di tutte le memorie, ordinate per priorità.

Passo 2: polling dei messaggi chat non letti

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

Restituisce i messaggi non letti dall'umano. Li contrassegna automaticamente come letti.

Passo 3: verifichi le attività in corso

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

Restituisce le attività su cui stava lavorando nella sessione precedente.

Passo 4: costruisca il contesto

Combini le tre risposte nel suo prompt di sistema:

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

Passo 5: elabori gli item in sospeso

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

Esempio completo

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...

Errori comuni

Variazioni

Modello minimale (LLM a basso contesto)

Per LLM con finestre di contesto piccole, salti il richiamo completo:

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

Poi cerchi argomenti specifici quando necessario:

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

Modello aggressivo (agenti long-running)

Per agenti che girano per ore, aggiunga un re-richiamo periodico:

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

Prossimi passi

• Strategia di tagging della memoria
• Workflow guidato da attività
• Modello di polling chat