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

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

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

ส่งกลับข้อความที่ยังไม่ได้อ่านจาก human ทำเครื่องหมายว่าอ่านแล้วโดยอัตโนมัติ

ขั้นตอนที่ 3: ตรวจ Task ที่กำลังดำเนินการ

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:

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

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

รูปแบบแปรผัน

รูปแบบ minimal (LLM context ต่ำ)

สำหรับ LLM ที่มี context window เล็ก ข้าม full recall:

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

จากนั้นค้นหาหัวข้อเฉพาะตามต้องการ:

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

รูปแบบ aggressive (agent รันนาน)

สำหรับ agent ที่รันเป็นชั่วโมง เพิ่ม re-recall เป็นคาบ:

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

ขั้นตอนถัดไป

• Memory Tagging Strategy
• Task-Driven Workflow
• Chat Polling Pattern