Letta 深度解析：stateful agent 平台如何把 memory 变成系统能力

来源：GitHub letta-ai/letta 与 Letta 官方 README 日期：2026-04-11

背景

Letta（前身是 MemGPT）不是一个单纯的“记忆工具”，而是一个把 memory 直接做进 agent 生命周期里的平台。它同时提供本地终端 CLI、API、服务端、multi-agent、MCP、plugins 和本地模型适配，目标是让 agent 具备长期状态、可维护记忆和持续学习能力。

项目概览

Letta 的官方定位很清楚：

• 面向 stateful agents
• 提供 advanced memory
• 支持 Letta Code（本地终端 agent）和 Letta API（嵌入应用）

GitHub 信号也说明它不是概念 demo：

• Stars 约 22k
• Forks 约 2.3k
• 持续发布 release
• 代码库覆盖 server、CLI、ORM、schemas、services、MCP、本地模型适配等多个层面

架构拆解

从仓库结构看，Letta 更像一套完整平台，而不是轻量 SDK：

几个关键点：

1. Agent state 是中心
   • 记忆不是外挂，而是 agent state 的一部分。
2. Block 是核心记忆单元
   • human、persona、system 等信息被建模成 memory blocks。
3. 服务层很厚
   • agent、conversation、passage、source、tool、job 都有独立 manager。
4. 扩展面很广
   • MCP、plugins、多 agent、本地 LLM、云端 provider 都在一个仓库里。

核心机制

1. Memory blocks

Letta 最重要的抽象是 memory blocks。它不是把所有记忆混成一团，而是把长期信息拆成结构化单元，交给 agent 生命周期管理。

2. Stateful lifecycle

agent_manager.py 负责 agent 生命周期与 memory orchestration，这意味着：

• 创建 agent
• 维护 block 关联
• 管理来源与 passages
• 处理上下文窗口和状态演化

3. 多形态运行

Letta 同时支持：

• 本地终端 agent
• API agent
• 服务端部署
• 多 agent group
• voice / sleeptime 变体

这说明它把 memory 视为跨运行时的底层能力，而不是 UI 附属件。

优势与不足

优势

• 定位完整，CLI + API + server 一体化
• 头部开源项目，社区活跃
• 很适合研究 stateful agent 的工程化落地
• memory blocks 的抽象清晰，易于解释和扩展

不足

• 仓库很大，学习成本高
• 平台叙事强，新用户容易觉得重
• 多种 agent 形态并存，边界管理复杂
• 如果把它当“简单记忆层”，会低估它的复杂度

适合谁

最适合：

• 想做长期有状态 agent 的团队
• 想研究 memory 如何进入 agent state 的工程师
• 想要 CLI / API 双形态平台的人
• 想做多模型、多工具、多 agent 系统的人

不太适合：

• 只想要轻量记忆 SDK 的人
• 只想做简单 RAG 的团队
• 想快速上手、不要平台复杂度的人

我的判断

Letta 是当前 memory / agent 平台里非常值得深挖的对象。它的价值不在于“记住几句话”，而在于它展示了一个更完整的思路：

记忆不是一个外挂功能，而是 agent 的运行时基础设施。

如果你关心的是“如何把长期记忆真正做进 agent 产品”，Letta 是非常好的研究样本。