Letta 2026: memoria, ADE, precios y alternativas

De MemGPT a Letta: historia y financiación

¿Qué es Letta?

• Memoria central (core memory): un pequeño conjunto de bloques de memoria estructurados y etiquetados (normalmente un bloque «human» y otro «persona») que permanecen fijos en la ventana de contexto en todo momento, editables por el agente y compartibles entre agentes
• Memoria archivada (archival memory): un almacén fuera de contexto, respaldado por PostgreSQL con pgvector, que el agente busca y escribe mediante llamadas a herramientas (archival_memory_search y archival_memory_insert) en lugar de mantenerlo siempre a la vista
• Memoria autoeditable: el agente decide qué pertenece a la memoria central, qué resumir y qué mover al almacén archivado — el modelo gestiona su propia higiene de memoria dentro de su bucle de razonamiento normal
• Agent Development Environment (ADE): una interfaz visual para observar y editar los bloques de memoria, el contexto y los pasos de razonamiento de un agente mientras se ejecuta, orientada a hacer inspeccionable una ventana de contexto que de otro modo sería opaca
• Letta Cloud frente a autoalojamiento: el mismo servidor de código abierto puede ejecutarse en la nube gestionada de Letta o en su propia infraestructura — ambos usan la misma API
• Agnóstico de modelo: funciona con OpenAI, Anthropic y otros proveedores mediante configuración con clave API propia, además de backends de modelos locales

from letta_client import Letta
import os

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

# Crear un agente con estado con bloques de memoria central
agent = client.agents.create(
    model="openai/gpt-4o-mini",
    embedding="openai/text-embedding-3-small",
    memory_blocks=[
        {"label": "human", "value": "Nombre aún desconocido. Aprender y actualizar a medida que hablamos."},
        {"label": "persona", "value": "Soy un asistente útil que recuerda el contexto entre sesiones."},
    ],
)

# Enviar un mensaje — el agente puede leer y editar sus propios bloques de memoria
response = client.agents.messages.create(
    agent_id=agent.id,
    input="Hola, estoy cambiando de Postgres a SQLite para este proyecto.",
)
for message in response.messages:
    print(message)

¿Cuánto cuesta Letta?

• Letta (framework y servidor autoalojado): gratis para siempre bajo Apache 2.0, ya sea autoalojado, modificado o usado comercialmente — solo se pagan los costes propios de infraestructura y de la API del modelo
• Nivel Letta Cloud Free: 0 $ al mes, un número limitado de agentes gestionados, claves API propias, sin cuenta necesaria para uso local
• Nivel Letta Cloud Pro: 20 $ al mes, hasta 20 agentes con estado, cuota de uso semanal/mensual para el acceso a modelos gestionados por Letta, exceso facturado por uso
• Plan Letta API (desarrollador): 20 $ al mes de base, más 0,10 $ por agente activo al mes y 0,00015 $ por segundo de ejecución de herramientas, con el uso del LLM facturado al coste del proveedor
• Teams Pro: 20 $ por puesto al mes, añade organizaciones compartidas, acceso para compañeros de equipo y controles para compartir agentes
• Enterprise: precio personalizado, añade tarifas por volumen, cuotas más altas, control de acceso basado en roles, inicio de sesión único SAML/OIDC y soporte dedicado

¿Cómo instalar Letta y empezar?

1. 1
   Instalar la biblioteca cliente: pip install letta-client (Python) — también hay disponible un cliente de JavaScript/TypeScript para la misma API.
2. 2
   Elegir autoalojamiento o nube: ejecutar usted mismo el servidor de código abierto Letta (imagen Docker en GitHub), o apuntar el cliente a Letta Cloud creando una clave API en letta.com.
3. 3
   Configurar las credenciales del proveedor de modelo — Letta admite configuración con clave API propia para OpenAI, Anthropic y otros proveedores, además de backends de modelos locales.
4. 4
   Crear un agente con client.agents.create(), pasando un modelo, un modelo de embedding y uno o más memory_blocks (por ejemplo un bloque «human» y otro «persona») que se convierten en la memoria central del agente.
5. 5
   Enviar mensajes con client.agents.messages.create() — el mismo ID de agente conserva su memoria en cada llamada futura, incluidas llamadas realizadas días o semanas después.
6. 6
   Abrir el Agent Development Environment para observar y editar visualmente la memoria central, la memoria archivada y los pasos de razonamiento de un agente, en lugar de solo a través de respuestas de la API.
7. 7
   Leer la documentación oficial de Letta y consultar el repositorio de GitHub para la referencia de API actual — la oferta de productos de Letta se ha ampliado desde 2024, así que compruebe a qué versión del SDK apunta un tutorial.

¿Para quién es Letta?

¿Cuándo NO debería usar Letta?

• Un chatbot simple y sin estado que responde una pregunta a la vez sin necesidad de recordar sesiones anteriores — una llamada API directa o una cadena ligera supone menos sobrecarga que un framework completo de gestión de memoria
• Un equipo que necesita varios agentes con roles distintos colaborando en una tarea (investigador, redactor, revisor) — CrewAI está diseñado específicamente para la colaboración multiagente basada en roles, que no es el enfoque de Letta
• Un equipo que quiere control explícito, definido por el desarrollador, sobre las transiciones de estado, ramas y ciclos de los agentes en lugar de dejar que el modelo gestione su propia memoria — LangGraph ofrece ese control de estado explícito basado en grafos
• Un equipo empresarial orientado a .NET ya estandarizado en herramientas de Microsoft — Semantic Kernel se integra más directamente con esa pila
• Use Letta en su lugar cuando el requisito definitorio sea un único agente que necesite recordar hechos, preferencias o historial concretos entre sesiones sin que usted tenga que escribir lógica de persistencia personalizada

Letta frente a alternativas

Errores comunes al evaluar Letta

Preguntas frecuentes

Fuentes

Lecturas relacionadas

• Reseña de LangGraph: funciones, precios, alternativas — un análisis más detallado del entorno de ejecución de agentes basado en grafos, para equipos que quieren control de estado explícito en lugar de memoria gestionada por el agente.
• Reseña de CrewAI: funciones, precios, alternativas — la alternativa multiagente basada en roles para equipos que coordinan varios agentes especializados en lugar de dar memoria a largo plazo a uno solo.
• Reseña de AutoGen: funciones, precios, alternativas — el framework de conversación multiagente de Microsoft Research, para comparar con el enfoque de memoria de un solo agente de Letta.
• Reseña de LangChain: funciones, precios, alternativas — el framework de propósito general que más se combina con una capa de memoria dedicada como Letta.
• Reseña de Semantic Kernel: funciones, precios, alternativas — la alternativa de Microsoft orientada a .NET para equipos empresariales estandarizados en esa pila.
• Directorio de software de LLM locales — el catálogo completo de herramientas de IA local al que pertenece este artículo, incluida la ubicación de Letta entre los frameworks de agentes.