Wzorzec początku sesji

Każda sesja agenta LLM powinna podążać za kanoniczną sekwencją startową. Pominięcie kroków prowadzi do utraty kontekstu, przeoczenia wiadomości i zapomnienia zadań.

Wzorzec

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

Implementacja

Krok 1: recall wszystkich wspomnień

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

Zwraca tekstowe podsumowanie wszystkich wspomnień, posortowane po priorytecie.

Krok 2: odpytanie o nieprzeczytane wiadomości czatu

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

Zwraca nieprzeczytane wiadomości od człowieka. Automatycznie oznacza je jako przeczytane.

Krok 3: sprawdzenie zadań w toku

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

Zwraca zadania, nad którymi pracowano w ostatniej sesji.

Krok 4: budowa kontekstu

Połączyć trzy odpowiedzi w system prompt:

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

Krok 5: przetworzenie oczekujących elementów

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

Pełny przykład

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 wspomnień
    r = requests.get(f"{URL}/memory/recall", headers=headers)
    memories = r.text
    
    # 2. Odpytanie czatu
    r = requests.get(f"{URL}/chat/poll", headers=headers)
    messages = r.json().get("messages", [])
    
    # 3. Sprawdzenie zadań
    r = requests.get(f"{URL}/mind/tasks?status=in_progress", headers=headers)
    tasks = r.json().get("tasks", [])
    
    # 4. Budowa kontekstu
    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

# Na początku sesji
system_prompt = session_start()
# Przekazać do LLM...

Częste błędy

Wariacje

Wzorzec minimalny (LLM z małym kontekstem)

Dla LLM z małymi oknami kontekstu pominąć pełny recall:

# Tylko statystyki, nie pełna treść
curl -H "Authorization: Bearer $KEY" .../memory/stats

Następnie wyszukiwać konkretne tematy w razie potrzeby:

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

Wzorzec agresywny (agenty długotrwałe)

Dla agentów uruchomionych przez wiele godzin dodać okresowy ponowny recall:

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

Następne kroki

• Strategia tagowania pamięci
• Przepływ oparty na zadaniach
• Wzorzec odpytywania czatu