Letta评测2026：记忆、ADE、定价与替代方案

从MemGPT到Letta：历史与融资

Letta是什么？

• 核心记忆（core memory）：一小组带标签的结构化记忆块（通常是一个"human"块和一个"persona"块），始终固定在上下文窗口中，可由智能体编辑，也可在多个智能体间共享
• 归档记忆（archival memory）：一个位于上下文之外的存储，由PostgreSQL和pgvector支持，智能体通过工具调用（archival_memory_search与archival_memory_insert）来检索和写入，而不是始终保留在视野中
• 自我编辑记忆：智能体自行决定哪些内容属于核心记忆、哪些需要摘要、哪些应移入归档存储——模型在其正常的推理循环中管理自身的记忆整理
• Agent Development Environment（ADE）：一个可视化界面，用于在智能体运行期间观察和编辑其记忆块、上下文与推理步骤，旨在让原本不透明的上下文窗口变得可检查
• Letta Cloud与自托管对比：同一个开源服务器既可以运行在Letta的托管云上，也可以运行在你自己的基础设施上——两者使用相同的API
• 与模型无关：通过自带API密钥的配置方式支持OpenAI、Anthropic等提供商，同时也支持本地模型后端

from letta_client import Letta
import os

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

# 创建一个具有核心记忆块的有状态智能体
agent = client.agents.create(
    model="openai/gpt-4o-mini",
    embedding="openai/text-embedding-3-small",
    memory_blocks=[
        {"label": "human", "value": "姓名尚未知晓。随着对话推进学习并更新。"},
        {"label": "persona", "value": "我是一个乐于助人的助手，能记住跨会话的上下文。"},
    ],
)

# 发送消息——智能体可以读取并编辑自己的记忆块
response = client.agents.messages.create(
    agent_id=agent.id,
    input="你好，这个项目我要从Postgres换成SQLite。",
)
for message in response.messages:
    print(message)

Letta的价格是多少？

• Letta（框架与自托管服务器）：在Apache 2.0许可下永久免费，无论是自托管、修改还是商业使用——你只需承担自己的基础设施和模型API费用
• Letta Cloud免费版：每月0美元，托管智能体数量有限，可自带API密钥，本地使用无需账号
• Letta Cloud Pro版：每月20美元，最多可用20个有状态智能体，对Letta自身托管模型的访问有每周/每月使用配额，超出部分按用量计费
• Letta API（开发者）计划：每月基础费20美元，另加每个活跃智能体每月0.10美元、每秒工具执行0.00015美元，LLM用量按提供商成本计费
• Teams Pro：每席位每月20美元，增加共享组织、团队成员访问权限以及智能体共享控制
• 企业版：定制报价，增加按量计费费率、更高配额、基于角色的访问控制、SAML/OIDC单点登录以及专属支持

如何安装并开始使用Letta？

1. 1
   安装客户端库：pip install letta-client（Python）——同一API也提供JavaScript/TypeScript客户端。
2. 2
   选择自托管或云端：自行运行开源Letta服务器（GitHub上的Docker镜像），或在letta.com创建API密钥，将客户端指向Letta Cloud。
3. 3
   设置模型提供商凭证——Letta支持为OpenAI、Anthropic等提供商自带API密钥进行配置，也支持本地模型后端。
4. 4
   使用client.agents.create()创建智能体，传入一个模型、一个嵌入模型以及一个或多个memory_blocks（例如一个"human"块和一个"persona"块），它们将成为该智能体的核心记忆。
5. 5
   使用client.agents.messages.create()发送消息——同一个智能体ID会在此后每一次调用中保留其记忆，即使是几天或几周后的调用。
6. 6
   打开Agent Development Environment，以可视化方式观察和编辑智能体的核心记忆、归档记忆与推理步骤，而不仅仅通过API响应查看。
7. 7
   阅读Letta官方文档并浏览GitHub仓库获取最新API参考——Letta的产品范围自2024年以来不断扩大，因此使用教程前请核实其针对的是哪个SDK版本。

谁适合使用Letta？

什么情况下不应使用Letta？

• 一个简单的无状态聊天机器人，每次只回答一个问题，无需记住之前的会话——直接的API调用或轻量级链条比完整的记忆管理框架开销更小
• 一个需要多个具有不同角色（研究员、撰写者、审阅者）的智能体协作完成任务的团队——CrewAI正是专为基于角色的多智能体协作而构建的，而这并非Letta的重点
• 一个希望由开发者明确定义和控制智能体状态转换、分支与循环的团队，而不是让模型自行管理记忆——LangGraph提供这种基于图的显式状态控制
• 一个已经标准化使用微软工具、以.NET为主的企业团队——Semantic Kernel与该技术栈的集成更为直接
• 相反，当决定性需求是一个需要跨会话记住特定事实、偏好或历史，而无需你自己编写自定义持久化逻辑的单一智能体时，请使用Letta

Letta与替代方案对比

评估Letta时的常见误区

常见问题

资料来源

相关阅读

• LangGraph评测：功能、定价、替代方案 — 深入探讨这一基于图的智能体运行环境，适合希望获得显式状态控制而非智能体自管理记忆的团队。
• CrewAI评测：功能、定价、替代方案 — 面向协调多个专业智能体而非为单个智能体赋予长期记忆的团队的、基于角色的多智能体替代方案。
• AutoGen评测：功能、定价、替代方案 — 微软研究院的多智能体对话框架，可与Letta专注单智能体记忆的定位做对比。
• LangChain评测：功能、定价、替代方案 — 最常与Letta这类专用记忆层搭配使用的通用框架。
• Semantic Kernel评测：功能、定价、替代方案 — 微软面向已标准化使用.NET技术栈的企业团队的替代方案。
• 本地LLM软件目录 — 本文所属的本地AI工具完整目录，包含Letta在各类智能体框架中的定位。