Padrão de início de sessão

Toda sessão de agente LLM deve seguir esta sequência canônica de inicialização. Pular passos leva a contexto perdido, mensagens perdidas e tarefas esquecidas.

O padrão

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

Implementação

Passo 1: recupere todas as memórias

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

Retorna um resumo em texto puro de todas as memórias, ordenado por prioridade.

Passo 2: faça poll por mensagens de chat não lidas

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

Retorna mensagens não lidas do humano. Automaticamente as marca como lidas.

Passo 3: verifique tarefas em andamento

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

Retorna tarefas em que você estava trabalhando na última sessão.

Passo 4: construa o contexto

Combine as três respostas no seu prompt de 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: processe itens pendentes

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

Exemplo 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...

Erros comuns

Variações

Padrão mínimo (LLMs de contexto baixo)

Para LLMs com janelas de contexto pequenas, pule o recall completo:

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

Então busque tópicos específicos conforme necessário:

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

Padrão agressivo (agentes de longa duração)

Para agentes que rodam por horas, adicione re-recall periódico:

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

Próximos passos

• Estratégia de tagueamento de memória
• Workflow orientado por tarefas
• Padrão de poll de chat