主要内容
Letta 不是"给 agent 加个记忆插件"，而是把 agent 架构按记忆为中心重新设计。三层记忆：core memory（一直在 context 里，存 persona 和关键用户事实，约 1-2k token）、archival memory（向量库，按需检索历史片段）、recall memory（全对话历史，按时间或 entity 召回）。agent 自己决定什么进入哪一层，因为它们就是 agent 的工具。如果你的产品核心价值是"这个 AI 真的认识我"，Letta 的架构思路是当前最成熟的参考。
核心关注点
关心"这个 agent 真的认识我吗"，而不是"它这次回答得好不好"。
有状态优先memory-first 设计persona 持久化跨 session 一致agent 自主管理记忆
安装与 hello world
$ pip install letta-client # server 通过 Docker 部署
hello-world.py
from letta_client import Letta
client = Letta(base_url="http://localhost:8283")
agent = client.agents.create(
name="my-assistant",
model="openai/gpt-4o",
embedding="openai/text-embedding-3-small",
memory_blocks=[
{
"label": "persona",
"value": "我是一个重视长期关系的助理。",
},
{
"label": "human",
"value": "用户是一名 CMU 学生，在找 ML 实习。",
},
],
)
# agent 会主动把重要信息写入 core memory
response = client.agents.messages.create(
agent_id=agent.id,
messages=[{"role": "user", "content": "记一下，我对花生过敏。"}],
)
# 下次对话，不管隔多久，memory blocks 一直在 context 里
response = client.agents.messages.create(
agent_id=agent.id,
messages=[{"role": "user", "content": "推荐一个晚餐？"}],
)关键 API / 概念
memory_blockscore memory 的基本单元，有 label 和 value，agent 可以通过工具读写自己的 blocks。
archival memory向量库后端（pgvector / chroma），agent 用 archival_memory_search 和 archival_memory_insert 工具操作。
Sleep-time computeagent 空闲时后台 reflection，整理短期记忆到长期，类似"睡觉巩固记忆"。
ADE（Agent Development Environment）可视化 GUI，调试 agent 记忆状态、消息流、工具调用。
适用场景
01
陪伴型 / 生活助理 AI
要记得用户几个月前说过什么、偏好什么、有什么禁忌。Letta 的 core memory 专为此设计。
02
长期客户助理
B2C 产品中，每个用户有专属 agent，随着时间积累人格化关系。
03
虚拟角色 / NPC
游戏 / 小说 / 互动剧场里的角色，需要人格一致、记得情节发展。
什么时候别用
- 无状态任务 agent（一次性 workflow）：overkill，用 LangGraph
- 只是想给现有 agent 加点记忆：用 mem0 接入成本更低
vs 相邻选项
vs mem0
Letta 是"为记忆而生的 agent 架构"，mem0 是"可嵌入的记忆层"。定位互补。
vs LangGraph
LangGraph 关心 workflow，Letta 关心 continuity。通常两者可以组合。