Letta: mémoire, ADE, tarifs, alternatives

De MemGPT à Letta : histoire et financement

Qu'est-ce que Letta ?

• Mémoire centrale (core memory) : un petit ensemble de blocs de mémoire structurés et étiquetés (généralement un bloc « human » et un bloc « persona ») qui restent en permanence dans la fenêtre de contexte, modifiables par l'agent et partageables entre agents
• Mémoire archivée (archival memory) : un stockage hors contexte, adossé à PostgreSQL avec pgvector, que l'agent interroge et alimente via des appels d'outils (archival_memory_search et archival_memory_insert) plutôt que de le garder constamment visible
• Mémoire auto-éditable : l'agent décide lui-même ce qui appartient à la mémoire centrale, ce qui doit être résumé et ce qui part vers l'archive — le modèle gère sa propre hygiène mémorielle au sein de sa boucle de raisonnement normale
• Agent Development Environment (ADE) : une interface visuelle pour observer et modifier les blocs de mémoire, le contexte et les étapes de raisonnement d'un agent pendant son exécution, rendant inspectable une fenêtre de contexte autrement opaque
• Letta Cloud vs auto-hébergement : le même serveur open source peut tourner sur le cloud géré de Letta ou sur votre propre infrastructure — les deux utilisent la même API
• Agnostique au modèle : fonctionne avec OpenAI, Anthropic et d'autres fournisseurs via une configuration à clé API personnelle, ainsi qu'avec des modèles locaux

from letta_client import Letta
import os

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

# Créer un agent avec état et des blocs de mémoire centrale
agent = client.agents.create(
    model="openai/gpt-4o-mini",
    embedding="openai/text-embedding-3-small",
    memory_blocks=[
        {"label": "human", "value": "Nom encore inconnu. Apprendre et mettre à jour au fil de la conversation."},
        {"label": "persona", "value": "Je suis un assistant utile qui se souvient du contexte entre les sessions."},
    ],
)

# Envoyer un message — l'agent peut lire et modifier ses propres blocs de mémoire
response = client.agents.messages.create(
    agent_id=agent.id,
    input="Bonjour, je passe de Postgres à SQLite pour ce projet.",
)
for message in response.messages:
    print(message)

Combien coûte Letta ?

• Letta (framework et serveur auto-hébergé) : gratuit pour toujours sous Apache 2.0, qu'il soit auto-hébergé, modifié ou utilisé commercialement — seuls les coûts d'infrastructure et d'API de modèle restent à votre charge
• Palier Letta Cloud Free : 0 $ par mois, un nombre limité d'agents gérés, clés API personnelles, aucun compte requis pour l'usage local
• Palier Letta Cloud Pro : 20 $ par mois, jusqu'à 20 agents avec état, quota d'usage hebdomadaire/mensuel pour l'accès aux modèles gérés par Letta, dépassement facturé à l'usage
• Plan Letta API (développeur) : 20 $ par mois de base, plus 0,10 $ par agent actif et par mois et 0,00015 $ par seconde d'exécution d'outil, l'usage du LLM étant facturé au coût du fournisseur
• Teams Pro : 20 $ par siège et par mois, ajoute des organisations partagées, un accès pour les coéquipiers et des contrôles de partage d'agents
• Enterprise : tarification personnalisée, avec tarifs au volume, quotas plus élevés, contrôle d'accès par rôle, authentification unique SAML/OIDC et support dédié

Comment installer Letta et démarrer ?

1. 1
   Installer la bibliothèque client : pip install letta-client (Python) — un client JavaScript/TypeScript pour la même API est également disponible.
2. 2
   Choisir l'auto-hébergement ou le cloud : exécuter soi-même le serveur open source Letta (image Docker sur GitHub), ou pointer le client vers Letta Cloud en créant une clé API sur letta.com.
3. 3
   Configurer les identifiants du fournisseur de modèle — Letta prend en charge une configuration à clé API personnelle pour OpenAI, Anthropic et d'autres fournisseurs, ainsi que des modèles locaux.
4. 4
   Créer un agent avec client.agents.create(), en passant un modèle, un modèle d'embedding et un ou plusieurs memory_blocks (par exemple un bloc « human » et un bloc « persona ») qui deviennent la mémoire centrale de l'agent.
5. 5
   Envoyer des messages avec client.agents.messages.create() — le même identifiant d'agent conserve sa mémoire à chaque appel futur, y compris des jours ou des semaines plus tard.
6. 6
   Ouvrir l'Agent Development Environment pour observer et modifier visuellement la mémoire centrale, la mémoire archivée et les étapes de raisonnement d'un agent, plutôt que seulement via les réponses de l'API.
7. 7
   Lire la documentation officielle de Letta et consulter le dépôt GitHub pour la référence API actuelle — l'offre de produits de Letta s'est élargie depuis 2024, vérifiez donc quelle version du SDK cible un tutoriel.

À qui s'adresse Letta ?

Quand ne PAS utiliser Letta ?

• Un chatbot simple et sans état qui répond à une question à la fois sans besoin de se souvenir des sessions précédentes — un appel API direct ou une chaîne légère est moins coûteux qu'un framework complet de gestion de mémoire
• Une équipe qui a besoin de plusieurs agents aux rôles distincts collaborant sur une tâche (chercheur, rédacteur, relecteur) — CrewAI est spécifiquement conçu pour la collaboration multi-agents basée sur les rôles, ce qui n'est pas l'axe de Letta
• Une équipe qui veut un contrôle explicite, défini par le développeur, sur les transitions d'état, les branches et les cycles des agents plutôt que de laisser le modèle gérer sa propre mémoire — LangGraph offre ce contrôle d'état explicite basé sur un graphe
• Une équipe d'entreprise orientée .NET déjà standardisée sur les outils Microsoft — Semantic Kernel s'intègre plus directement à cette pile
• Utilisez plutôt Letta lorsque l'exigence déterminante est un agent unique devant se souvenir de faits, préférences ou historiques précis sur plusieurs sessions, sans que vous ayez à écrire une logique de persistance sur mesure

Letta vs alternatives

Comparer dans l'annuaire→

Erreurs courantes dans l'évaluation de Letta

Questions fréquemment posées

Sources

Lectures complémentaires

• Avis LangGraph : fonctionnalités, tarifs, alternatives — un examen plus approfondi de l'environnement d'exécution d'agents basé sur un graphe, pour les équipes voulant un contrôle d'état explicite plutôt qu'une mémoire gérée par l'agent.
• Avis CrewAI : fonctionnalités, tarifs, alternatives — l'alternative multi-agents basée sur les rôles pour les équipes coordonnant plusieurs agents spécialisés plutôt que de donner une mémoire à long terme à un agent.
• Avis AutoGen : fonctionnalités, tarifs, alternatives — le framework de conversation multi-agents de Microsoft Research, à comparer avec l'orientation mémoire d'un agent unique de Letta.
• Avis LangChain : fonctionnalités, tarifs, alternatives — le framework généraliste le plus souvent combiné à une couche de mémoire dédiée comme Letta.
• Avis Semantic Kernel : fonctionnalités, tarifs, alternatives — l'alternative orientée .NET de Microsoft pour les équipes d'entreprise standardisées sur cette pile.
• Répertoire des logiciels LLM locaux — le catalogue complet des outils IA locaux auquel appartient cet article, y compris la place de Letta parmi les frameworks d'agents.