Letta 2026: Gedächtnis, ADE, Preise, Alternativen im Test

Von MemGPT zu Letta: Geschichte und Finanzierung

Was ist Letta?

• Kerngedächtnis (Core Memory): eine kleine Menge beschrifteter, strukturierter Speicherblöcke (meist ein „human“- und ein „persona“-Block), die dauerhaft im Kontextfenster verankert bleiben, vom Agenten bearbeitbar sind und zwischen Agenten geteilt werden können
• Archivgedächtnis (Archival Memory): ein außerhalb des Kontexts liegender Speicher, unterstützt durch PostgreSQL mit pgvector, den der Agent über Werkzeugaufrufe (archival_memory_search und archival_memory_insert) durchsucht und beschreibt, statt ihn ständig im Blick zu behalten
• Selbstbearbeitendes Gedächtnis: Der Agent entscheidet selbst, was ins Kerngedächtnis gehört, was zusammengefasst wird und was ins Archiv wandert — das Modell verwaltet seine eigene Gedächtnishygiene innerhalb seiner normalen Denkschleife
• Agent Development Environment (ADE): eine visuelle Oberfläche, um die Speicherblöcke, den Kontext und die Denkschritte eines Agenten während der Laufzeit zu betrachten und zu bearbeiten — sie macht ein sonst undurchsichtiges Kontextfenster einsehbar
• Letta Cloud vs. Self-Hosting: derselbe quelloffene Server läuft entweder auf Lettas gemanagter Cloud oder auf der eigenen Infrastruktur — beide sprechen dieselbe API
• Modellunabhängig: funktioniert mit OpenAI, Anthropic und anderen Anbietern über eine Bring-your-own-API-Key-Konfiguration sowie mit lokalen Modell-Backends

from letta_client import Letta
import os

client = Letta(api_key=os.getenv("LETTA_API_KEY"))

# Zustandsbehafteten Agenten mit Kerngedächtnis-Blöcken erstellen
agent = client.agents.create(
    model="openai/gpt-4o-mini",
    embedding="openai/text-embedding-3-small",
    memory_blocks=[
        {"label": "human", "value": "Name noch unbekannt. Im Gespräch lernen und aktualisieren."},
        {"label": "persona", "value": "Ich bin ein hilfreicher Assistent, der sich Kontext über Sitzungen hinweg merkt."},
    ],
)

# Nachricht senden — der Agent kann seine eigenen Speicherblöcke lesen und bearbeiten
response = client.agents.messages.create(
    agent_id=agent.id,
    input="Hallo, ich wechsle für dieses Projekt von Postgres zu SQLite.",
)
for message in response.messages:
    print(message)

Wie viel kostet Letta?

• Letta (Framework und Self-Hosting-Server): für immer kostenlos unter Apache 2.0, ob self-hosted, verändert oder kommerziell genutzt — es fallen nur eigene Infrastruktur- und Modell-API-Kosten an
• Letta Cloud Free-Stufe: 0 $ pro Monat, eine begrenzte Anzahl gemanagter Agenten, eigene API-Schlüssel mitbringen, kein Konto für lokale Nutzung nötig
• Letta Cloud Pro-Stufe: 20 $ pro Monat, bis zu 20 zustandsbehaftete Agenten, wöchentliches/monatliches Nutzungskontingent für Lettas eigenen gemanagten Modellzugang, Pay-as-you-go bei Überschreitung
• Letta-API-(Entwickler-)Plan: 20 $ pro Monat als Grundgebühr, plus 0,10 $ pro aktivem Agenten und Monat sowie 0,00015 $ pro Sekunde Werkzeugausführung, LLM-Nutzung wird zu Anbieterkosten abgerechnet
• Teams Pro: 20 $ pro Sitzplatz und Monat, fügt gemeinsame Organisationen, Teammitglied-Zugriff und Kontrollen für das Teilen von Agenten hinzu
• Enterprise: individuelle Preise, mit volumenbasierten Tarifen, höheren Kontingenten, rollenbasierter Zugriffskontrolle, SAML/OIDC-Single-Sign-on und dediziertem Support

Wie installieren und starten Sie mit Letta?

1. 1
   Client-Bibliothek installieren: pip install letta-client (Python) — ein JavaScript/TypeScript-Client für dieselbe API ist ebenfalls verfügbar.
2. 2
   Self-Hosting oder Cloud wählen: den quelloffenen Letta-Server selbst betreiben (Docker-Image auf GitHub) oder den Client mit einem auf letta.com erstellten API-Schlüssel auf Letta Cloud richten.
3. 3
   Zugangsdaten für den Modellanbieter setzen — Letta unterstützt eine Bring-your-own-API-Key-Konfiguration für OpenAI, Anthropic und andere Anbieter sowie lokale Modell-Backends.
4. 4
   Einen Agenten mit client.agents.create() erstellen, dabei ein Modell, ein Embedding-Modell und einen oder mehrere memory_blocks (zum Beispiel einen „human“- und einen „persona“-Block) übergeben, die zum Kerngedächtnis des Agenten werden.
5. 5
   Nachrichten mit client.agents.messages.create() senden — dieselbe Agenten-ID behält ihr Gedächtnis über jeden zukünftigen Aufruf hinweg, auch über Aufrufe Tage oder Wochen später.
6. 6
   Die Agent Development Environment öffnen, um Kerngedächtnis, Archivgedächtnis und Denkschritte eines Agenten visuell zu betrachten und zu bearbeiten, statt nur über API-Antworten.
7. 7
   Die offizielle Letta-Dokumentation lesen und das GitHub-Repository für die aktuelle API-Referenz durchsuchen — Lettas Produktpalette hat sich seit 2024 erweitert, prüfen Sie also, welche SDK-Version ein Tutorial voraussetzt.

Für wen eignet sich Letta?

Wann sollten Sie Letta NICHT nutzen?

• Ein einfacher, zustandsloser Chatbot, der jeweils eine Frage beantwortet, ohne sich an frühere Sitzungen erinnern zu müssen — ein einfacher API-Aufruf oder eine leichtgewichtige Chain verursacht weniger Overhead als ein vollständiges Gedächtnisverwaltungs-Framework
• Ein Team, das mehrere Agenten mit unterschiedlichen Rollen (Rechercheur, Verfasser, Prüfer) benötigt, die an einer Aufgabe zusammenarbeiten — CrewAI ist speziell für rollenbasierte Multi-Agenten-Zusammenarbeit gebaut, was nicht Lettas Fokus ist
• Ein Team, das explizite, vom Entwickler definierte Kontrolle über Zustandsübergänge, Verzweigungen und Zyklen der Agenten will, statt das Modell sein eigenes Gedächtnis verwalten zu lassen — LangGraph bietet diese graphbasierte, explizite Zustandskontrolle
• Ein .NET-orientiertes Unternehmensteam, das bereits auf Microsoft-Tools standardisiert ist — Semantic Kernel integriert sich direkter in diesen Stack
• Nutzen Sie Letta stattdessen, wenn die entscheidende Anforderung ein einzelner Agent ist, der sich bestimmte Fakten, Vorlieben oder Verläufe über Sitzungen hinweg merken muss, ohne dass Sie eigene Persistenzlogik schreiben

Letta vs. Alternativen

Häufige Fehler bei der Bewertung von Letta

Häufig gestellte Fragen

Quellen

Weiterführende Artikel

• LangGraph im Test: Funktionen, Preise, Alternativen — ein genauerer Blick auf die graphbasierte Agenten-Laufzeitumgebung für Teams, die expliziten Zustandserhalt statt agentengesteuertem Gedächtnis wollen.
• CrewAI im Test: Funktionen, Preise, Alternativen — die rollenbasierte Multi-Agenten-Alternative für Teams, die mehrere spezialisierte Agenten koordinieren, statt einem Agenten Langzeitgedächtnis zu geben.
• AutoGen im Test: Funktionen, Preise, Alternativen — Microsoft Researchs Multi-Agenten-Gesprächs-Framework, zum Vergleich mit Lettas Fokus auf Gedächtnis für einen einzelnen Agenten.
• LangChain im Test: Funktionen, Preise, Alternativen — das allgemeine Framework, das am häufigsten mit einer dedizierten Gedächtnisschicht wie Letta kombiniert wird.
• Semantic Kernel im Test: Funktionen, Preise, Alternativen — Microsofts .NET-orientierte Alternative für Unternehmensteams, die auf diesen Stack standardisiert sind.
• Local LLM Software Directory — der vollständige Katalog lokaler KI-Tools, zu dem dieser Artikel gehört, einschließlich der Einordnung von Letta unter den Agenten-Frameworks.