Letta

Letta 教程导读：给智能体装上会进化的记忆

最初的对话式 AI 常常让人既惊叹又失望：它能瞬间写出像样的方案，却会在紧接着的几轮问答里忘掉你刚提过的偏好。研究者把这种健忘称作无状态，把上下文窗口视作模型与生俱来的天花板。要治好健忘症，光把窗口做得更大并不够——真正的出路是给智能体装上一套会自己整理、会自我修订的记忆系统。本册 Letta 教程，就沿着这条线索，把"给智能体装上会进化的记忆"拆解成一场可以亲手操作的实验。

回顾这段技术源流，故事的起点是 2023 年 10 月加州大学伯克利分校 Sky Computing Lab 发表的 MemGPT 论文。论文把操作系统里的虚拟内存思想搬进了大语言模型：上下文窗口当作"主存"，数据库当作"磁盘"，让模型自己决定何时把信息在两者之间换入换出。2024 年，这个学术原型正式更名为 Letta，从一篇论文成长为一个服务化、可部署的智能体框架。今天你再打开 Letta，看到的已经是一套把"记忆块、自我编辑、持久化状态、多智能体共享"当作一等公民的完整体系——这正是我们把它选作记忆实验台的原因。

本册主线：把记忆进化拆成五个实验阶段

与其把这本教程读成"框架功能清单"，不如把它读成一份实验记录。全册以"记忆进化实验"为主线，分为五个递进的实验阶段，每个阶段对应一章：

1. 实验起点（第 1 章）：先看清实验对象。什么是无状态模型的"金鱼记忆"，MemGPT 到 Letta 的演化解决了什么问题，以及它和同类框架相比适合摆在什么位置。
2. 实验原理（第 2 章）：拆开记忆系统的构造。分层存储怎么设计，记忆工具如何形成自我编辑的闭环，Server 与存储层的架构如何支撑这套循环。
3. 实验环境（第 3 章）：搭建实验台。Pip 与 Docker 两种安装路径、SQLite 到 PostgreSQL 的迁移、环境变量与连接管理。
4. 实验观测（第 4 章）：学会观察记忆。用 ADE 可视化仪表盘盯着智能体的"内心独白"，用 CLI 与 SDK 把实验脚本化。
5. 实验进阶（第 5 章）：让记忆真正进化。创建智能体、接入模型、编写工具、跨会话保持状态，再到共享记忆块与记忆膨胀治理。

全册知识地图

下图给出全册的知识地图：箭头表示学习依赖关系，先弄清实验对象与原理，再搭环境、学观测，最后进入进阶实验。每个实验阶段都建立在前一阶段的产物之上——没有第 2 章的分层记忆模型，第 4 章的 ADE 观测就只是一堆界面截图；没有第 3 章的持久化环境，第 5 章的跨会话状态实验根本无从谈起。

图 0-1 Letta 记忆进化实验全册路线图

这册教程适合谁

如果你满足下面任意一条，这份教程就是为你准备的：正在做聊天机器人、个人助理或企业知识库，饱受"对话一长就失忆"困扰的应用开发者；已经用过 LangChain 之类编排框架，想给智能体补上长期记忆与自我演化能力的工程师；研究 Agent 记忆机制、想找一个白盒化实验台的学生或研究人员。反过来说，如果你只想找一个拿来就用的聊天产品，这册内容对你会偏重工程细节——它假定你愿意写代码、读日志、改配置。

阅读前建议备好三样东西：一个可用的 Python 环境（3.10 以上版本）、一个主流模型的 API 密钥（OpenAI、Anthropic 或本地模型均可，第 5 章有适配细节）、以及一份"把实验做完"的耐心。Letta 的趣味在于反馈回路：你改一行记忆块，下一轮对话就能看到智能体行为的改变。

读完你会得到什么

到全册结束，你应当能独立完成下面这些事：解释 Letta 分层记忆的构成，说清核心记忆、召回存储与存档存储各自的分工与淘汰逻辑；在本机把 Letta Server 跑起来，并完成 SQLite 到 PostgreSQL 的生产级迁移；用 Python 或 TypeScript SDK 创建智能体、注册自定义工具、观察并干预它的记忆状态；设计一个跨会话记住用户偏好、且能自我修正过时认知的记忆策略；识别记忆膨胀与上下文污染的早期症状，并给出治理方案。

这些能力合在一起，指向同一个母题：智能体的长期价值不取决于某个瞬间的回答有多华丽，而取决于它能否在时间的流动里沉淀经验、修订自我。这本教程不敢承诺把你带到通用智能的门口，但它能保证一件事——读完之后，你再看"AI 助手"这个词时，脑子里会出现一个会记笔记、会翻旧账、会改笔记的实验对象，而不是一段每次都从头开始的文本补全。