AI-DIVE
登录订阅
研究更新于 2026-04-11

2026-04-11 Letta deep research

researchqueryagentmemory

2026-04-11 Letta deep research

1. 项目概览

Letta 是一个面向 stateful agents 的平台，前身是 MemGPT。它的官方定位很明确：

  • "Build AI with advanced memory that can learn and self-improve over time"
  • 提供 Letta Code：本地终端里的 agent 运行方式
  • 提供 Letta API：把有记忆的 agent 嵌入应用中

产品定位

Letta 不是一个只负责“存 memory”的单点工具，它更像一个完整的 agent memory operating layer：

  • 既有 CLI
  • 也有 API
  • 既支持本地运行
  • 也支持服务端部署
  • 还带有 multi-agent、MCP、tools、providers、local LLM 适配

社区与活跃度

从 GitHub 信号看，Letta 是一个相当成熟的头部开源项目：

  • Stars：约 22k
  • Forks：约 2.3k
  • Open issues：约 100+
  • 最近 release：v0.16.7（2026-03-31）
  • 最近 push：2026-04-08
  • License：Apache-2.0

这说明它不是“概念型 demo”，而是持续演进的成熟项目。

2. 架构拆解

Letta 的仓库结构非常大，说明它不是单一库，而是一套平台化代码库。可以大致拆成四层：

入口层

  • letta/main.py
  • letta/cli/cli.py
  • letta/server/server.py

状态与数据层

  • letta/orm/*
  • letta/schemas/*
  • letta/services/agent_manager.py
  • letta/services/conversation_manager.py
  • letta/services/memory_repo/*

执行与扩展层

  • letta/functions/*
  • letta/llm_api/*
  • letta/interfaces/*
  • letta/groups/*
  • letta/plugins/*
  • letta/jobs/*

适配与运行环境层

  • letta/local_llm/*
  • letta/server/*
  • compose.yaml / dev-compose.yaml
  • docker-compose-vllm.yaml

架构关系图

flowchart TD CLI[Letta Code / CLI] --> Server[Letta Server] API[Letta API SDK] --> Server Server --> AgentMgr[Agent Manager] AgentMgr --> ORM[ORM / DB Models] AgentMgr --> Schemas[Schemas / Agent State] AgentMgr --> Blocks[Memory Blocks] AgentMgr --> Sources[Sources / Passages] AgentMgr --> LLM[LLM Providers] AgentMgr --> Tools[Tools / MCP / Plugins] AgentMgr --> Jobs[Jobs / Scheduling] LLM --> Local[Local LLM Adapters] LLM --> Cloud[Cloud Providers]

关键架构观察

  1. Agent state 是中心
    • 不是把记忆当作附属功能，而是把 agent state 作为系统核心。
  2. Block 是核心记忆单元
    • block.py 把 human/persona/system 等内容建模成 memory block。
  3. 服务层很厚
    • agent / conversation / passage / source / tool / file / group / run / job 都有独立 manager。
  4. 兼容面广
    • 多模型 provider、本地模型、MCP、plugins、multi-agent、voice agent、sleeptime agent 都在一个仓库内。

3. 核心机制

3.1 Memory blocks

Letta 最核心的概念之一是 memory blocks。

README 的示例里，agent 会带有类似：

  • human block
  • persona block

在代码里，letta/orm/block.py 和 letta/schemas/block.py 进一步说明：

  • block 是 context 的结构化部分
  • block 有 label、value、limit、template、history 等概念
  • memory 不是一段单独的文本，而是可管理的结构化块

3.2 Stateful agent lifecycle

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

  • 创建 agent
  • 维护 block 关联
  • 管理 sources / passages
  • 调整工具与规则
  • 处理上下文窗口与状态演化

这比“调用一次 LLM，外面再挂个向量库”要重很多，也更像真正的状态机。

3.3 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 视为一种跨运行时的底层能力，不是某个 UI 的附属件。

3.4 Memory repo / local fallback

letta/services/memory_repo/__init__.py 暗示有一个 git-based memory repository 抽象，并且有 cloud / local fallback 的思路。虽然我这次没有展开读完整实现，但这至少说明 Letta 在尝试把 memory 做成一个可迁移、可落盘、可回退的系统，而不只是在线缓存。

4. 优势与不足

优势

产品层面

  • 定位完整：CLI + API + 运行时 + memory
  • 头部开源项目，社区规模和活跃度都不错
  • 很适合做“stateful agent”基础设施
  • 前身 MemGPT 带来了较强的认知基础和用户心智

技术层面

  • 代码分层完整，服务边界清楚
  • memory blocks 这个抽象容易落地
  • 对 provider / local LLM / MCP / plugin 的兼容性强
  • 支持多 agent、多运行形态，扩展空间大

不足

产品层面

  • 仓库很大，学习曲线高
  • 叙事比较“平台化”，对新用户可能偏重
  • 同时覆盖 CLI、API、server、多 agent，容易让人觉得边界过宽

技术层面

  • 系统复杂度高，维护成本不低
  • 多种 agent 类型和运行模式可能带来一致性挑战
  • memory blocks 虽然清晰，但如果使用者把它当作“自动记忆魔法”，容易产生误解

5. 适合谁

最适合

  • 想做 长期有状态 agent 的团队
  • 想研究 agent memory 与 state 管理的工程师
  • 想要 CLI / API 双形态产品的开发者
  • 想做多模型、MCP、plugin 组合的 agent 平台团队

不太适合

  • 只想要一个轻量向量记忆层的人
  • 只想做简单 RAG，不想承担平台复杂度的人
  • 想要极简 SDK 的团队

6. 我的判断

Letta 是这份 memory provider 对比里最像“agent memory 基座”的项目之一。

如果从研究价值看，我认为它有三个层次的价值：

  1. 产品层：它把 memory 直接做进 agent 生命周期，而不是外挂一个检索模块。
  2. 架构层：它展示了一个完整 stateful agent 平台应该如何分层。
  3. 方法论层：它告诉我们，agent memory 不是“记住几句话”这么简单，而是状态、角色、来源、工具、上下文窗口共同构成的系统。

结论

  • 值得深挖
  • 非常适合做架构研究对象
  • 如果要从“主流 memory / agent 平台”里挑一个研究，Letta 是强候选

公开参考