1.3 关键特性：自我演进、模型无关与开源生态

1.3 关键特性：自我演进、模型无关与开源生态

本节摘要：把 Letta 与同类框架区分开的是三大特性：自我演进——模型在推理中读写自己的记忆，行为随交互持续改变；模型无关——智能体状态与底层模型解耦，换模型不换记忆；开源生态——白盒化的自托管架构与开放的扩展协议。本节逐项拆解这三者的技术含义，并诚实地核算每项特性的收益与代价。读完本节，你能对"看中它什么、忍受它什么"给出有依据的答案。

一、自我演进：会改自己笔记的智能体

绝大多数智能体框架的行为在部署后是冻结的：提示词写死在配置里，技能是开发者预编排的流程，模型再多交互也不会改变明天的表现。Letta 走了另一条路——智能体的提示词构成物中有一块区域是模型自己的管辖地，模型在推理循环中可以随时改写它。

具体机制由一组内置记忆工具承载：core_memory_append 向核心记忆追加一条事实，core_memory_replace 替换其中的旧表述，archival_memory_insert 把值得长期保存但不必常驻上下文的信息写入档案库。当用户说"我最近换到上海办公了"，模型的推理链会识别出这是对既有认知的修订，主动发起 core_memory_replace，把 human 块里的旧居住地替换掉。没有外部代码参与判断，写与不写、怎么写，都是模型在当前上下文里做出的决策。

这就是"自我演进"四个字的准确含义：不是模型权重发生了变化（参数始终冻结），而是智能体的行为受一份持续更新的状态支配。效果上近似在线学习——今天纠正过的事实，明天不会再犯；用户反复强调的偏好，会沉淀为稳定的响应倾向。⚠️ 值得警惕的是演化的双向性：错误的认知同样会被模型郑重其事地写进记忆，一次误判可能固化为长期的偏见。这正是第 5 章要讨论记忆膨胀治理的原因。

二、模型无关：换引擎不换记忆

第二大特性关乎投资保护。Letta 的架构把"智能体"定义为一份数据库中的状态——记忆块、工具清单、对话历史——而把模型降格为这份数据的处理器。切换模型的操作小到只是一次参数变更：

# 同一个智能体，把引擎从一家云模型换成另一家
client.agents.update(
    agent_id=agent.id,
    model="anthropic/claude-sonnet-4-5",
)
# 也可以指向本地部署的开源权重（经 vLLM 或 Ollama 暴露服务）
client.agents.update(
    agent_id=agent.id,
    model="ollama/llama-3.3-70b",
)
​

模型切换后，核心记忆、档案库、工具配置原样保留。这份解耦在两种时刻显出价值：一是模型市场剧烈波动的时刻，新的性价比之王出现时，你可以把存量智能体整体迁过去，此前积累的记忆资产毫发无损；二是合规敏感的时刻，金融、医疗场景可以把日常任务放在内网开源模型上，记忆照常积累，复杂任务再切换云端旗舰。

代价也要说清：模型无关是"可运行"意义上的无关，不是"表现一致"意义上的无关。不同模型对函数调用协议的遵循度差异很大，同一套记忆管理指令，在强模型上执行得干脆利落，在弱模型上可能出现该写不写、写错位置、甚至幻觉出工具名的情况。经验法则是：记忆管理越激进，越需要函数调用能力强的模型兜底。

三、开源生态：白盒承诺与扩展点

第三大特性是许可证之外的开放。Letta 服务端完全开源，可以自托管在你的基础设施里——智能体状态存自家的数据库，记忆不出内网。与黑盒托管服务相比，白盒意味着三件具体的事：

1. 可审计：每一次记忆读写、每一次工具调用都在数据库与日志里有迹可循，安全团队能完整还原智能体"为什么这么回答"。
2. 可扩展：自定义工具就是把一个带文档字符串的 Python 函数注册进框架；记忆块的标签与容量由你定义；多智能体间的通信协议是开放的，第 5 章的共享记忆块实验会用到。
3. 可迁移：数据是标准的数据库记录，不再使用某项服务时，智能体状态可以完整带走，不存在"人质式"的锁定。

开源同样有它的账单：你需要自己跑服务、自己管数据库、自己升级版本，社区方案的质量参差也需要自行甄别。一句话概括这笔交易的实质——你用运维责任，换来了完全的控制权。

三大特性的收益与代价核算

三个特性的协同效应

单看每一项都不算独门绝技，合在一起才是 Letta 的辨识度。设想一条时间线：你的客服智能体自托管在内网，日常用本地开源模型处理高频简单工单，记忆照常积累；半年后某家新模型在函数调用评测上大幅领先，你把智能体引擎整体切换，此前沉淀的用户偏好与业务知识原样带过去；又因为每一步记忆演化都有审计日志，合规部门拿到了完整的变更史。自我演进负责"变好"，模型无关负责"活得久"，开源生态负责"信得过"——三者在同一条生命周期里各司其职。

💡 一个实用的判断口诀：如果你的应用是"一次性问答"，三大特性都不值钱；只要应用预期生命周期超过数周、且交互有积累价值，就值得为它们认真搭一次台。

关于三大特性的常见疑问

问：自我演进会不会让智能体越学越偏，最后不可控？ 会偏离，但偏离不是失控——因为每一笔"学到的东西"都落在可检查的记忆块里，且有完整的编辑轨迹。治理的抓手始终存在：发现偏离，改记忆块即可纠偏；担心漂移，把 5.6 节的巡检清单跑起来。真正不可控的是黑盒系统里的隐性漂移，白盒架构反而是三种形态里最可控的。

问：模型无关是不是意味着换模型零成本？ 架构成本接近零（改一个模型绑定），验证成本是实打实的（5.2 节的对照流程值得完整走）。把"零成本"理解为"无需验证"，是切换引擎时最常见的翻车姿势——记忆资产无损，行为表现待验，两件事必须分开说。

问：不开源的话，这套架构还有价值吗？ 有，但价值构成不同。开源生态贡献的是审计、自托管与深度定制三类能力；即便你用的是托管形态、完全不碰运维，记忆自我编辑与模型无关这两大特性依然完整成立——它们是架构层的贡献，与许可证无关。

本节要点回顾

• 自我演进：模型通过记忆工具自主读写核心记忆，行为随交互持续变化；代价是错误认知可能固化，需要治理机制兜底。
• 模型无关：智能体状态与模型解耦，切换引擎保留全部记忆资产；但跨模型的行为一致性需重新验证。
• 开源生态：自托管换来可审计、可扩展、可迁移，代价是自担运维与升级责任。
• 协同效应：演进让智能体变好、解耦让它活得久、白盒让它信得过，长期运行的应用三者同时受益。
• 选型口诀：生命周期长、交互有积累价值的应用，三大特性的边际价值最高。

下一节把这些特性放回真实世界，看哪类场景最需要一台记忆会进化的智能体，并用一个完整案例走通从需求到落地的路径。