什么是 Letta？
Letta（前身 MemGPT）是一个用于构建有状态 Agent的平台，其核心创新在于引入了 Memory Blocks（记忆块）范式。与传统 Agent 在会话结束即丢失上下文不同，Letta 让 Agent 拥有分层、可自我编辑的持久记忆，能够随时间学习和自我改进。
它提供完整的 Agent 平台能力：CLI 工具（Letta Code）、REST API 服务器、Python/TypeScript SDK，并支持任意 LLM 后端（模型无关），是目前最成熟的 Agent 记忆管理方案之一。
Memory Blocks 架构
Letta 的核心设计是 Memory Blocks——结构化的记忆分区，每个 Block 带有标签（label），Agent 可以自主读写这些 Block：
- human block — 存储关于用户的信息（偏好、历史、上下文），Agent 会话间持久化
- persona block — 存储 Agent 自身的身份、性格、行为模式
- archival memory — 大容量外部存储，支持向量检索，类似长期记忆
- recall memory — 对话历史检索，Agent 可回溯查找过去的交互
- 自编辑能力 — Agent 可以自主更新 memory block 内容，实现学习与自我改进
memory = {
"human": "用户喜欢简洁回答，对 AI 安全话题特别感兴趣...",
"persona": "我是一个技术助手，擅长解释复杂概念...",
"archival": ,
"recall":
}
agent.core_memory.append("human", "用户最近在学习 Rust 语言")
Letta vs mem0 对比
🧬 Letta
- 完整 Agent 平台（API + SDK + CLI）
- Memory Blocks 分区管理
- Agent 可自主编辑记忆（自我改进）
- 内建 archival/recall 双层检索
- 模型无关，支持多种 LLM
- 较重，适合复杂 Agent 场景
🔵 mem0
- 专注记忆层，轻量 SDK
- Key-Value 记忆存储
- 自动提取记忆（用户无需管理）
- 向量检索为主
- 易集成到现有 Agent
- 较轻，适合快速接入
选择建议：如果你需要构建完整的有状态 Agent 系统，且希望 Agent 能自主管理记忆，选 Letta。如果你已有 Agent 框架，只想为其添加记忆能力，mem0 更轻量易集成。
快速开始
pip install letta
letta server
from letta.client import create_client
client = create_client()
agent = client.create_agent(
name="research-assistant",
memory_blocks=[
{"label": "human", "value": "用户是 AI 研究者"},
{"label": "persona", "value": "我是研究助手"}
],
model="gpt-4o"
)
response = client.send_message(
agent_id=agent.id,
message="帮我总结 Transformer 的核心思想"
)
print(response.messages)