Letta 媒体库
Letta 的视频缩略图
Letta (评论) 视频
Letta 截图 - 界面预览
Letta 的截图

什么是Letta？

Letta 是一个创新的平台，旨在为开发者提供创建具有先进记忆的有状态 AI 代理的能力，使其能够学习和进化。该框架利用独特的代理开发环境 (ADE)，为开发过程提供工具和功能，显著提升代理的能力。与传统模型常见的停滞现象不同，Letta 采用了一个独特的记忆管理系统，得到加州大学伯克利分校天空计算实验室的知名研究人员的学术研究支持。借助 Letta，开发者可以专注于打造能够适应、推理和记忆的代理，贯穿其操作生命周期。

Letta 的一大亮点是其对内置持久性和记忆管理的重视。开发者将会欣赏这个框架如何使他们的代理能够在不同语言模型之间无缝切换，同时保留已学的上下文和记忆。这种与模型无关的方法不仅增强了代理的灵活性，还减轻了通常与厂商锁定相关的挑战。Letta 的 API 进一步促进了这种连接，确保代理作为 REST 端点暴露，可以轻松集成到现有应用程序中。

推进代理智能

Letta 旨在通过开发能够回忆过去交互的智能代理，使 AI 的未来更加可及和实用。使用 Letta 构建的代理被设计为能够通过交互评估和提升其性能，在与用户的互动中变得更智能。这是通过上下文管理技术实现的，旨在增强记忆的有效性和可靠性——智能决策的基础。

代理开发环境 (ADE)

ADE 提供了一个可视化工作区，开发者可以实时观察和迭代其代理的记忆、推理路径和工具调用。此功能不仅有助于调试，还帮助开发者理解上下文如何传递到 AI 模型中。最近的额外功能增强了这一体验，使得更好地完善和可视化代理的交互成为可能。

强大的 API 支持和集成

Letta 的 API 支持非常全面，允许开发者使用 Python 和 TypeScript 等不同编程语言的各种 SDK。这种多功能性简化了有状态代理在不同应用中的实现，充分利用 Letta 提供的独特功能。该平台引入了新的客户端 SDK，提升了开发者的可用性，同时简化了集成过程，让利用 Letta 的功能变得比以往任何时候都容易。

开源优势

作为一款开源平台，Letta 随时供全球的开发者使用。它鼓励对功能的协作增强，符合未来 AI 开发应包容和开放创新的理念。社区驱动的方法不仅促进了快速进展，还使开发者能够分享他们的解决方案并改进他们的实践。通过 Letta，开发者可以获得基础研究的访问权限，包括由 MemGPT 背后的团队开发的技术，确保尖端能力。

创新功能和工具

Letta 为开发者提供了创新工具，如 Letta 文件系统，允许代理组织和引用来自各种文档类型的内容，包括 PDF 和转录文本。此功能增强了代理有效回忆和利用信息的能力，从而扩展了它们在现实世界场景中的实用性。此外，Letta 的新功能包括通过睡眠时间计算在代理记忆和学习中的进展，这种方法允许代理在空闲期间继续处理和完善它们的记忆。

基准测试和性能

Letta 强调性能，基准测试显示使用其记忆管理技术的代理在终端基准（Terminal-Bench）和新引入的恢复基准（Recovery-Bench）测试中表现优于传统模型。这些指标说明了代理从错误中恢复和适应复杂任务的能力，展示了 Letta 在现实应用场景中的先进能力。最近的开发包括评估代理如何从上下文污染中学习，强调该平台持续改进的承诺。

结论

借助 Letta，开发者不再局限于静态模型，而是可以创造动态、不断进化的代理，具备每次交互后记忆、学习和改进的能力。Letta 提供的一整套工具、功能，以及以开发者为中心的方法，树立了 AI 代理领域的新标准，为多个行业更智能的应用场景铺平了道路。对开源协作、基于研究的记忆管理、强大的集成和睡眠时间计算等概念的关注使 Letta 在有状态 AI 系统领域处于领先地位。

优缺点

优点

  • 有状态的智能体在互动中保持记忆和上下文，从而增强学习。
  • 内置的代理开发环境允许实时可视化和测试。
  • 灵活的框架支持多种编程语言和工具的集成。

常见问题

Letta 是免费的。

根据我们最新的信息，该工具目前似乎没有终身优惠，很遗憾。

代理开发环境(ADE)是一个可视化工具，允许开发者创建和管理有状态的AI代理。它使用户能够实时可视化代理的记忆、推理过程和工具交互。这简化了在用户友好的界面中测试和编辑代理状态的过程，使开发流程更加直观，并帮助开发者理解代理所做出的决策和上下文。

Letta Cloud 提供完全托管的服务来部署有状态代理，免去了基础设施管理的需求。要部署代理，您需要创建一个 API 密钥来访问该服务。该平台确保高可用性和性能，使您能够无缝处理大规模部署。它还支持在云环境和自托管环境之间迁移代理，同时保持其状态和历史记录。

Letta 通过其 REST API 和 SDK 支持与各种开发框架和工具的集成。集成包括 Python 和 TypeScript SDK 等流行框架，以及 Next.js 和 React 等其他框架。您可以通过模型上下文协议（Model Context Protocol, MCP）将 Letta 代理连接到各种外部工具，这增强了代理的功能，使其能够利用集成工具的额外资源和能力。

是的，Letta 的设计旨在创建可以学习和记住过去互动的有状态代理。它利用先进的内存管理技术来保持代理在会话之间的状态，从而使代理不会忘记先前学习的信息。这能够随着时间的推移实现更智能和个性化的互动，因为代理会根据其之前的经验不断改进，并相应地调整其响应。

Recovery-Bench 是 Letta 开发的一种基准，旨在评估 AI 代理从错误中恢复和从过去的错误中学习的能力。对于长期使用的代理来说，这一点至关重要，因为它们在复杂任务中常常会犯错误。通过评估代理管理和恢复上下文污染的能力—即早期错误如何影响其表现—Recovery-Bench 提供了对不同模型韧性的洞察，最终帮助开发出更强大的 AI 代理。

Letta采用了一种独特的内存管理结构，受传统操作系统的启发，使代理能够积极管理上下文并在长时间互动中保留信息。与许多限制上下文长度的AI系统不同，Letta的架构允许代理维护一个内存层级，包括用于活跃会话的核心内存和用于对话历史的外部内存，能够根据需要进行调用。这种方法显著减少了长时间任务中的遗忘和错误问题。

虽然 Letta 提供了强大的工具来构建有状态的人工智能代理，但开发者在将现有代码调整为与 Letta 的架构兼容时可能会遇到挑战，尤其是在从传统的无状态模型过渡时。此外，为了最大限度地发挥代理的效果，需要对内存管理和上下文处理有深入的了解。文档会不断更新，因此鼓励用户查阅官方资源以获取最佳实践和最新信息。

是的，Letta提供了多个案例研究，展示了其在实际应用中的有效性。例如，Bilt成功地使用Letta构建了一个百万代理推荐系统，展示了增强记忆代理如何大规模个性化用户体验。其他例子包括11x，它在创纪录的时间内创造了深度研究代理，以及Hunt Club，它简化了高管招聘流程。这些案例研究说明了利用Letta开发复杂AI代理的实际好处。

Letta 比较