Letta 是什么?给 AI Agent 装上长期记忆的状态化 Agent 平台基础介绍

封面占位

前面几篇聊的都是”会干活的 Agent”,但只要你真用过一段时间,大概率会撞上同一堵墙:新开一个会话,它就把你忘得干干净净,昨天交代的偏好、上周定下的规则,全要重讲一遍。

Letta 就是专门冲这个问题来的开源平台。它不卷”一次任务里谁调用谁”,它卷的是更长时间尺度上的事——Agent 下周还记得你是谁吗?

一、Letta 是什么

Letta 是一个用来构建状态化 Agent(stateful agent)的平台,前身就是 2023 年那篇很有名的 MemGPT 论文,出自 UC Berkeley 团队,后来创始团队成立了 Letta 公司专职做这件事。GitHub 仓库 letta-ai/letta 目前约 2.47 万星(Apache-2.0,仍在高频提交)。

它和 LangChain、AutoGen 这类编排框架的着力点不一样。编排框架回答的是”这一步该谁干活、该调哪个工具”;Letta 回答的是”这个 Agent 有没有身份、有没有记忆、会不会随时间变好”。官方 README 的原话是 build stateful agents with memory that can learn and improve over time,三个关键词:memory、identity、continual learning。

二、它凭什么能记住

核心机制是 memory blocks(记忆块)——把 Agent 的记忆拆成结构化的小块(比如”用户档案””项目规则”),存进数据库而不是塞在提示词末尾。关键点在于:这些块是可以由 Agent 自己读写的。

围绕记忆,还有几件配套的事:

  • MemFS:所有上下文(含记忆块)用 git 跟踪,可以把 Agent 的记忆同步到自己的 GitHub 仓库,出问题能直接 diff、回滚;
  • Skills 与 Subagents:技能可以自己写自己攒,需要时在后台起子 Agent 干活;
  • 多入口同一个 Agent:本地 CLI、桌面端(Win/mac/Linux)、chat.letta.com 网页、以及 Telegram / Slack / Discord 频道,记忆是同一份;
  • 数据在你自己手里:自托管版本把消息、记忆块、归档数据都放进 Postgres,重启不丢,也不需要 GPU——推理全靠外部 API 或本地 Ollama。

三、怎么上手

需要 Node 环境(本机 v22 可用)。安装就一行:

npm install -g @letta-ai/letta-code
letta

第一次进去用 /connect 填自己的模型 Key(OpenAI、Anthropic 都行),/model 换模型。想先看个演示,可以用官方教程 Agent:

letta --new-agent --personality tutorial

我在本机实测装的是 0.32.1(Letta Code),letta --help 里除了 tutorial,还自带 letta-code、blank、linus、kawaii、claude、codex 几个性格预设,-m opus-4.5 这种写法可以直接指定模型。子命令也铺得挺全:letta memory、letta agents、letta model、letta skills、letta mcp、letta server,基本都能走 JSON 输出接脚本。

想放进脚本、不进交互界面,就直接无头模式:

letta -p "把今天的改动提交并推送"

要是想让它在服务器上常驻,走自托管:

docker run -v ~/.letta/.persist/pgdata:/var/lib/postgresql/data 
  -p 8283:8283 
  -e OPENAI_API_KEY="sk-..." 
  letta/letta:latest

端口默认 8283,和前面聊过的公网暴露一个道理:别裸奔,前面套一层 Nginx 和 HTTPS 再说话。

进去之后几个命令值得记一下:/memory 看记忆块、/search 搜历史消息、/init 初始化记忆、/doctor 给记忆结构做体检、/remember 直接教它一条规则。

四、几句实话

第一,仓库搬迁这件事要弄清楚。 letta-ai/letta 现在只是落地页,真正的源码搬到了 letta-ai/letta-code(约 3200 星),两边的 star 数是分裂的;搜”MemGPT”还会命中老仓库。另外老的 Python 版 V1 服务器源码已经进 archive 分支,官方明确说不再维护、不要上生产。你要是冲着当年 pip install letta 那套来的,今天得换个姿势。

第二,记忆不是白来的。 记忆块会占用上下文,长跑之后上下文越来越贵,所以才有 /doctor 这种体检工具。指望”记忆全自动、永远干净”是不现实的,该整理还得整理。

第三,形态变了。 它现在更像一个”带记忆的 Agent harness(终端 + 桌面端 + 常驻服务)”,而不是一个纯粹的 Python 库。对喜欢 CLI 的人是好事,对想当 SDK 嵌进 Python 服务的人要多想一步。

第四,低配设备能不能跑。 服务端本身不重,没有 GPU 要求,真正吃资源的是模型 API 和 24 小时开着的容器。放在我这种 ARM 小主机上做常驻 Agent,压力主要不在 CPU。

五、适合谁

适合这三类人:一是想让 Agent 有一份稳定的”人格和档案”,不用每次重讲背景;二是坚持自托管、数据必须留在自己 Postgres 里的;三是做个人助理、常驻 Agent,要跨设备、跨消息平台用同一个”人”。

反过来,如果你只是想把一个任务拆给几个 Agent 跑完就完事,那 AutoGen、CrewAI 那类编排框架更直接。但只要你踩过”Agent 记不住事”这个坑,Letta 值得花一个晚上试试。

延伸阅读(本站旧文):


by 数码罗记 · godsun.pro

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注