Letta 2026: memória, ADE, preços e alternativas

Da MemGPT à Letta: história e financiamento

O que é a Letta?

• Memória central (core memory): um pequeno conjunto de blocos de memória estruturados e rotulados (geralmente um bloco "human" e um bloco "persona") que permanecem fixados na janela de contexto o tempo todo, editáveis pelo agente e compartilháveis entre agentes
• Memória arquivada (archival memory): um armazenamento fora do contexto, apoiado em PostgreSQL com pgvector, que o agente pesquisa e grava por meio de chamadas de ferramentas (archival_memory_search e archival_memory_insert) em vez de mantê-lo sempre à vista
• Memória autoeditável: o agente decide o que pertence à memória central, o que resumir e o que mover para o armazenamento arquivado — o modelo gerencia sua própria higiene de memória dentro do seu ciclo normal de raciocínio
• Agent Development Environment (ADE): uma interface visual para observar e editar os blocos de memória, o contexto e as etapas de raciocínio de um agente enquanto ele executa, tornando inspecionável uma janela de contexto que, de outra forma, seria opaca
• Letta Cloud vs. autoinstalação: o mesmo servidor de código aberto pode rodar na nuvem gerenciada da Letta ou na sua própria infraestrutura — ambos usam a mesma API
• Independente de modelo: funciona com OpenAI, Anthropic e outros provedores por meio de configuração com chave de API própria, além de back-ends de modelos locais

from letta_client import Letta
import os

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

# Criar um agente com estado com blocos de memória central
agent = client.agents.create(
    model="openai/gpt-4o-mini",
    embedding="openai/text-embedding-3-small",
    memory_blocks=[
        {"label": "human", "value": "Nome ainda desconhecido. Aprender e atualizar conforme conversamos."},
        {"label": "persona", "value": "Sou um assistente útil que lembra o contexto entre sessões."},
    ],
)

# Enviar uma mensagem — o agente pode ler e editar seus próprios blocos de memória
response = client.agents.messages.create(
    agent_id=agent.id,
    input="Olá, estou trocando de Postgres para SQLite neste projeto.",
)
for message in response.messages:
    print(message)

Quanto custa a Letta?

• Letta (framework e servidor autoinstalável): gratuito para sempre sob Apache 2.0, seja autoinstalado, modificado ou usado comercialmente — você paga apenas seus próprios custos de infraestrutura e de API de modelo
• Nível Letta Cloud Free: US$ 0 por mês, um número limitado de agentes gerenciados, chaves de API próprias, sem necessidade de conta para uso local
• Nível Letta Cloud Pro: US$ 20 por mês, até 20 agentes com estado, cota de uso semanal/mensal para o acesso a modelos gerenciados pela Letta, excedente cobrado por uso
• Plano Letta API (desenvolvedor): US$ 20 por mês de base, mais US$ 0,10 por agente ativo por mês e US$ 0,00015 por segundo de execução de ferramenta, com o uso do LLM cobrado ao custo do provedor
• Teams Pro: US$ 20 por assento por mês, adiciona organizações compartilhadas, acesso para colegas de equipe e controles de compartilhamento de agentes
• Enterprise: preço personalizado, adiciona tarifas por volume, cotas mais altas, controle de acesso baseado em função, login único SAML/OIDC e suporte dedicado

Como instalar a Letta e começar?

1. 1
   Instalar a biblioteca cliente: pip install letta-client (Python) — um cliente JavaScript/TypeScript para a mesma API também está disponível.
2. 2
   Escolher autoinstalação ou nuvem: rodar você mesmo o servidor de código aberto da Letta (imagem Docker no GitHub), ou apontar o cliente para o Letta Cloud criando uma chave de API em letta.com.
3. 3
   Configurar as credenciais do provedor de modelo — a Letta suporta configuração com chave de API própria para OpenAI, Anthropic e outros provedores, além de back-ends de modelos locais.
4. 4
   Criar um agente com client.agents.create(), passando um modelo, um modelo de embedding e um ou mais memory_blocks (por exemplo, um bloco "human" e um bloco "persona") que se tornam a memória central do agente.
5. 5
   Enviar mensagens com client.agents.messages.create() — o mesmo ID de agente mantém sua memória em cada chamada futura, incluindo chamadas feitas dias ou semanas depois.
6. 6
   Abrir o Agent Development Environment para observar e editar visualmente a memória central, a memória arquivada e as etapas de raciocínio de um agente, em vez de apenas via respostas de API.
7. 7
   Ler a documentação oficial da Letta e consultar o repositório do GitHub para a referência de API atual — a linha de produtos da Letta se expandiu desde 2024, então verifique a qual versão do SDK um tutorial se refere.

Para quem a Letta é indicada?

Quando você NÃO deve usar a Letta?

• Um chatbot simples e sem estado que responde uma pergunta por vez, sem necessidade de lembrar de sessões anteriores — uma chamada de API direta ou uma cadeia leve tem menos overhead do que um framework completo de gerenciamento de memória
• Uma equipe que precisa de vários agentes com papéis distintos colaborando em uma tarefa (pesquisador, redator, revisor) — o CrewAI foi construído especificamente para colaboração multiagente baseada em papéis, o que não é o foco da Letta
• Uma equipe que quer controle explícito e definido pelo desenvolvedor sobre transições de estado, ramificações e ciclos dos agentes, em vez de deixar o modelo gerenciar sua própria memória — o LangGraph oferece esse controle de estado explícito baseado em grafos
• Uma equipe empresarial voltada para .NET já padronizada em ferramentas da Microsoft — o Semantic Kernel se integra mais diretamente a essa pilha
• Use a Letta, em vez disso, quando o requisito definidor for um único agente que precisa lembrar fatos, preferências ou histórico específicos entre sessões, sem que você precise escrever lógica de persistência personalizada

Letta vs. alternativas

Erros comuns ao avaliar a Letta

Perguntas frequentes

Fontes

Leituras relacionadas

• Análise do LangGraph: recursos, preços, alternativas — uma análise mais detalhada do runtime de agentes baseado em grafos, para equipes que querem controle de estado explícito em vez de memória gerenciada pelo agente.
• Análise do CrewAI: recursos, preços, alternativas — a alternativa multiagente baseada em papéis para equipes que coordenam vários agentes especializados em vez de dar memória de longo prazo a um só.
• Análise do AutoGen: recursos, preços, alternativas — o framework de conversação multiagente da Microsoft Research, para comparação com o foco de memória de agente único da Letta.
• Análise do LangChain: recursos, preços, alternativas — o framework de uso geral mais frequentemente combinado com uma camada de memória dedicada como a Letta.
• Análise do Semantic Kernel: recursos, preços, alternativas — a alternativa da Microsoft voltada para .NET para equipes empresariais padronizadas nessa pilha.
• Diretório de software de LLM local — o catálogo completo de ferramentas de IA local ao qual este artigo pertence, incluindo onde a Letta se encaixa entre os frameworks de agentes.