Sider.ai
  • Chat
  • Wisebase
  • ابزار
  • افزونه
  • مشتریان
  • قیمت گذاری
اکنون بارگیری کن
وارد شدن

با Sider سریع‌تر بیاموزید، عمیق‌تر بیندیشید و هوشمندتر رشد کنید.

محصولات
برنامه‌ها
  • افزونه‌ها
  • iOS
  • Android
  • Mac OS
  • Windows
Wisebase
  • Wisebase
  • Deep Research
  • Scholar Research
  • Math Solver
  • Rec NoteNew
  • Audio To Text
  • Gamified Learning
  • Interactive Reading
  • ChatPDF
ابزارها
  • سازنده وبNew
  • اسلایدهای هوش مصنوعیNew
  • نویسنده مقاله هوش مصنوعی
  • Nano Banana Pro
  • Nano Banana Infographic
  • تولیدکننده تصویر هوش مصنوعی
  • ژنراتور اختلال ذهنی ایتالیایی
  • حذف‌کننده پس‌زمینه
  • تغییر دهنده پس‌زمینه
  • پاک‌کننده عکس
  • حذف‌کننده متن
  • نقاشی مجدد
  • ارتقاء دهنده تصویر
  • ایجاد
  • مترجم هوش مصنوعی
  • مترجم تصویر
  • مترجم PDF
Sider
  • تماس با ما
  • مرکز راهنما
  • دانلود
  • قیمت‌گذاری
  • برنامه آموزشی
  • چه چیز جدید است
  • وبلاگ
  • جامعه
  • شرکا
  • همکاری در فروش
  • دعوت
©2026 تمام حقوق محفوظ است
شرایط استفاده
سیاست حفظ حریم خصوصی
  • صفحه اصلی
  • وبلاگ
  • ابزارهای هوش مصنوعی
  • نحوه استفاده از Letta: راهنمای عملی برای ساختن عامل‌های هوش مصنوعی State دار

نحوه استفاده از Letta: راهنمای عملی برای ساختن عامل‌های هوش مصنوعی State دار

به‌روزرسانی شده در 24 سپتامبر 2025

7 دقیقه


چگونه از Letta استفاده کنیم: راهنمای عملی برای ساخت عامل‌های هوش‌مصنوعی حالت‌دار

اگر تا به حال تمایل داشتید عامل هوش‌مصنوعی‌تان بتواند بین جلسات زمینه را به خاطر بسپارد، ابزارها را به‌صورت قابل اطمینان مدیریت کند و بدون نیاز به اسکریپت‌های موقت و دست‌وپاگیر پیشرفت کند، Letta برای این منظور طراحی شده است. در ادامه یک راهنمای عملی و گام‌به‌گام برای راه‌اندازی Letta، ساخت اولین عامل پایدار و ارائه فرایندهایی که واقعا پایدار باشند، ارائه می‌شود.
شایان ذکر است: Letta قبلا با پروژه MemGPT مرتبط بود و از آن زمان به یک پلتفرم کامل با SDKها و محیط توسعه بصری عامل‌ها (ADE) تبدیل شده است. می‌توانید با استفاده از مستندات رسمی و آموزش‌های سریع همراه شوید، ویدیوی معرفی کوتاهی که شما را در ساخت اولین عامل پایدار راهنمایی می‌کند ببینید و اگر ترجیح می‌دهید از رابط کم‌کد استفاده کنید، پست معرفی ADE نیز موجود است. برای درک عمیق‌تر مفهوم عامل‌های حالت‌دار در Letta، نمای کلی عامل را مشاهده کنید. اگر درباره تغییر نام از MemGPT به Letta و تغییرات پکیج کنجکاو هستید، یادداشت‌های پکیج پایتون کمک‌کننده‌اند و مخزن متن‌باز زمینه معماری را فراهم می‌کند.
این راهنما سبک کاربردی و راه‌حل‌محور دارد: حداقل صحبت‌های اضافی، گام‌های قابل کپی‌پیست فراوان، و تصمیمات واضح در هر مرحله.

Letta چیست و چرا اهمیت دارد؟

Letta یک پلتفرم برای ساخت عامل‌های هوش‌مصنوعی حالت‌دار است—عامل‌هایی که حافظه بلندمدت دارند، ابزارها را مدیریت می‌کنند و وضعیت خود را بین گفتگوها حفظ می‌کنند. به‌جای یک رابط گفتگو بدون حالت، یک محیط اجرای ساختارمند دریافت می‌کنید که یک عامل می‌تواند:
  • ذخیره حافظه داشته باشد و زمینه مرتبط را به‌طور خودکار بازیابی کند.
  • ابزارها (تابع‌ها، APIها، وبهوک‌ها) را با ورودی‌های اجباری و کنترل‌شده فراخوانی کند.
  • پیکربندی خود را حفظ و نسخه‌بندی کند.
  • در ابر یا به‌صورت محلی با SDKها (پایتون/تایپ‌اسکریپت) یا از طریق محیط بصری کم‌کد (ADE) اجرا شود.
این یعنی می‌توانید عامل‌هایی برای پشتیبانی مشتری، دستیاران پژوهشی، عملیات داده، عملیات محصول یا اتوماسیون داخلی بسازید که پروژه را در نیمه راه فراموش نکنند.

درخت تصمیم‌گیری سریع: از کجا شروع کنیم؟

  • من یک توسعه‌دهنده هستم و کار با کد را ترجیح می‌دهم → از آموزش سریع SDK (پایتون یا تایپ‌اسکریپت) استفاده کنید.
  • می‌خواهم ابتدا بصری نمونه‌سازی کنم، سپس به کد صادر کنم → از ADE و نمای کلی عامل‌ها استفاده کنید.
  • نیاز به زمینه معماری و تاریخچه دارم → خلاصه مخزن/خواندنی‌ها و یادداشت‌های پکیج را مرور کنید.
  • ویدیوی کوتاه و راهنما ترجیح می‌دهم → ویدیوی معرفی را ببینید.

راه‌اندازی: از صفر تا اولین عامل (مسیر کد)

سریع‌ترین مسیر با SDK این است (مثال پایتون نشان داده شده؛ تایپ‌اسکریپت مشابه در مستندات است).
  1. نصب و احراز هویت
  • پکیج letta را مطابق مستندات نصب کنید. اطمینان حاصل کنید کلید API یا اعتبارنامه‌های سرور محلی را از طریق متغیرهای محیطی (مثل LETTA_API_KEY) تنظیم کرده‌اید.
  1. عامل خود را بسازید
  • پرومت سیستم (نقش)، استراتژی حافظه و فهرست ابزارهای عامل را تعریف کنید. آموزش سریع یک مثال حداقلی کاربردی نشان می‌دهد.
  1. حافظه پایدار اضافه کنید
  • حافظه پایدار را فعال کنید و نحوه خواندن/نوشتن عامل به حافظه‌اش را پیکربندی کنید. نمای کلی عامل توضیح می‌دهد که چطور Letta وضعیت را ذخیره می‌کند و عامل‌ها چگونه روی سرور حفظ می‌شوند.
  1. ابزارها (فراخوانی تابع) اضافه کنید
  • تابع‌ها را با اسکیمای سخت‌گیرانه ثبت کنید. با ابزارهای ساده مانند search_docs(query) یا create_ticket(data) شروع کنید و به‌تدریج گسترش دهید.
  1. تست و تکرار
  • وظایف کوتاه اجرا کنید (مثل «این رشته پشتیبانی مشتری را خلاصه کن و تیکت حل مشکل بساز»). لاگ‌ها و حافظه را برای صحت عملکرد بررسی کنید.
  1. استقرار
  • بین اجرای محلی برای توسعه و راه‌اندازی میزبانی‌شده برای مرحله آزمایشی/تولید انتخاب کنید. پیکربندی‌ها و ابزارهای عامل خود را نسخه‌بندی کنید.

مثال: طرح کلی حداقلی عامل (به صورت شبه‌کد پایتون)

from letta import Client, Agent, Tool
client = Client(api_key=os.environ.
## استفاده از Letta ADE (مسیر بدون کد / کم‌کد)
اگر نمونه‌سازی بصری را ترجیح می‌دهید، ADE به شما اجازه می‌دهد بدون نوشتن کد، عامل‌ها، حافظه و ابزارها را ترکیب کنید.
- یک پروژه عامل جدید در ADE بسازید.
- نقش عامل (پرومت سیستم)، لحن، و محدودیت‌ها را تعریف کنید.
- حافظه پایدار و استراتژی‌های بازیابی را تنظیم کنید.
- ابزارها را با انتخاب از کانکتورها یا تعریف عملیات سفارشی اضافه کنید.
- مکالمات را درون محیط تست کنید، نوشتن حافظه را مشاهده و آستانه‌ها را تنظیم کنید.
- پس از کامل شدن نمونه اولیه، آن را صادر یا به توسعه‌دهندگان بسپارید.
برای آموزش ویدیویی و معرفی سریع، اطلاعیه و راهنمای ADE را ببینید.
## طراحی عامل‌های عالی Letta: بهترین شیوه‌های نظر محور
1) با کار مورد نظر شروع کنید
- دامنه محدود تعریف کنید (مثلا «اولویت‌بندی تیکت‌های پشتیبانی برای خطاهای وب»)، نه نقش کلی و مبهم.
2) رویه‌های عملیاتی را رمزگذاری کنید
- رویه‌های استاندارد را در پرومت سیستم قرار دهید. مثلا: «وقتی اولویت نشان‌دهنده تاثیر تولید است، افزایش وضعیت و تنظیم اولویت = بالا. همیشه در صورت امکان مراحل بازتولید را اضافه کنید.»
3) اسکیمای ابزار را سخت‌گیرانه کنید
- مقادیر ثابت و فیلدهای اجباری را اجباری کنید. این باعث کاهش پارامترهای وهمی می‌شود.
4) حافظه را مانند یک سطح محصول در نظر بگیرید
- تصمیم بگیرید چه چیزی باید قابل حفظ باشد (مثل مخاطبان، ترجیحات، راه‌حل‌های قبلی) و چه چیزی زودگذر است (محاسبات یک‌باره). حافظه را مرتب بررسی کنید.
5) با داده واقعی تست کنید
- عامل را با تیکت‌ها، مستندات و مثال‌های ناشناس پر کنید. حالاتی که خطا رخ می‌دهد (کمبود زمینه، اولویت اشتباه) را بررسی و بهبود دهید.
6) راهنمایی‌ها بهتر از پاک‌سازی بعدی هستند
- اعتبارسنجی در ابزارها اضافه کنید. اگر عامل ورودی نامعتبر پیشنهاد کرد، هندلر شما باید دریافت کرده و با راهنمایی پاسخ دهد.
7) همه چیز را پایش کنید
- فراخوانی ابزار، نوشته شدن حافظه و تلومتری پیام را لاگ کنید. داشبوردهای شاخص‌های کلیدی (نرخ موفقیت، زمان حل مشکل) بسازید.
8) عامل‌ها را نسخه‌بندی کنید
- تغییرات پرومت‌ها، ابزارها و سیاست‌های حافظه را دنبال کنید. نسخه‌های پایدار را برای تولید ثابت ‌کنید و در محیط آزمایشی توسعه دهید.
## فرایندهای رایج قابل تحویل با Letta
- پشتیبانی مشتری
- خلاصه کردن مکالمات، پیشنهاد راه‌حل، ساخت تیکت و اطلاع‌رسانی به ذینفعان.
- دستیار پژوهشی
- برنامه‌ریزی جستجوها، جستجوی منابع، ترکیب و ذخیره یادداشت‌های منابع در حافظه.
- عملیات فروش / خدمات مشتری
- استخراج نکات تماس، استخراج گام‌های بعدی، به‌روزرسانی CRM و پیگیری با ایمیل‌های قالبی.
- اتوماسیون داخلی
- نظارت صف‌ها، راه‌اندازی کتاب‌های راهنما، ثبت وضعیت و حفظ زمینه بین شیفت‌ها.
## عیب‌یابی: وقتی که اوضاع درست پیش نمی‌رود
- عامل چیزها را فراموش می‌کند
- اطمینان حاصل کنید حافظه فعال است و آستانه‌های بازیابی مناسب. بررسی کنید که اقلام به‌درستی ذخیره شده باشند.
- فراخوانی‌های ابزار نادرست هستند
- اسکیمای ورودی را سخت‌گیرانه‌تر، مقادیر ثابت اضافه و خطاهای ساختاریافته با راهنمای اصلاحی بازگردانید.
- عامل خیلی پرحرف یا خیلی کوتاه پاسخ می‌دهد
- راهنمای سبک پرومت سیستم را تنظیم و ۲-۳ مثال درون‌متنی ارائه کنید.
- دستورالعمل‌های متناقض
- قوانین کاری را یکپارچه کنید. اولویت‌های صریح بگذارید: «همیشه X را قبل از Y انجام بده.»
- تغییرات ناخواسته پس از به‌روزرسانی
- در تولید نسخه قفل کنید. تغییرات را به صورت آزمایشی و تدریجی اعمال کنید.
## نکات سریع امنیت و تطابق
- ابزارها را به‌عنوان مسیرهای کد مطمئن در نظر بگیرید—احراز هویت و محدودیت‌گذاری اعمال کنید.
- داده‌های حساس را قبل از لاگ کردن حافظه حذف کنید.
- داده‌های شناسایی‌شدنی (PII) در حافظه: سیاست‌های نگهداری، کنترل دسترسی، رمزنگاری در نظر بگیرید.
## از نمونه اولیه تا تولید: چک‌لیست کوتاه
- OKRهای واضح برای عامل (تعریف موفقیت) داشته باشید.
- دامنه محدود و پرومت سیستم مبتنی بر SOP.
- اسکیمای ابزار سخت‌گیرانه با تست و اعتبارسنجی.
- استراتژی حافظه مستند و با وظایف واقعی اعتبارسنجی شده.
- نظارت (لاگ، شاخص‌ها، هشدار) برقرار شده.
- طرح نسخه‌بندی و بازگردانی آماده باشد.
- محیط‌های آزمایشی و تولید جداگانه باشند.
## منابع آموزشی اضافی
- ویدیوی معرفی: ساخت اولین عامل پایدار.
- آموزش سریع (پایتون/TS) با قطعه کدها.
- معماری عامل و بهترین شیوه‌ها.
- اطلاعیه و راهنمای ADE.
- تغییر نام پکیج و نکات سازگاری.
- مخزن متن‌باز و پس‌زمینه.
## راستی: تکرار سریع‌تر همراه با [Sider.AI](https://sider.ai)
اگر در حال مستندسازی پرومت‌ها، تست نمونه‌ها یا مقایسه خروجی‌های_versions_fعامل‌ها هستید، خوب است که آثار را کنار هم داشته و سریع تکرار کنید. شایان ذکر است، [Sider.AI](https://sider.ai) (https://sider.ai/) به تیم‌ها کمک می‌کند هنگام ساخت و تست عامل‌ها، پرومت‌ها، یادداشت‌ها و تغییرات را ثبت کنند—مفید برای مواقعی که چند نفر SOP را بهبود می‌دهند یا اسکیمای ابزارها را ارزیابی می‌کنند.
## نکات کلیدی
- Letta به شما کمک می‌کند عامل‌های حالت‌دار با حافظه، ابزارها و وضعیت پایدار بسازید.
- از کار محدود و اسکیمای سخت‌گیرانه برای ثبات شروع کنید.
- از SDK برای جریان‌های کاری کدمحور یا ADE برای نمونه‌سازی بصری بهره بگیرید.
- پیش از انتشار، با داده واقعی ابزار بسنجید، نسخه‌بندی و پایش کنید.
- از آموزش سریع و راهنماهای عامل رسمی برای پیروی از بهترین شیوه‌ها استفاده کنید.
### پرسش‌های متداول
پ1: Letta چیست و چگونه با چت‌بات معمولی فرق دارد؟
Letta یک پلتفرم ساخت عامل‌های هوش‌مصنوعی حالت‌دار با حافظه پایدار و مدیریت ابزارهاست، نه فقط یک رابط گفتگو بدون حالت. وضعیت عامل را ذخیره می‌کند، اسکیمای ابزار را اجرا و حافظه و فرایند‌ها را در جلسات مختلف مدیریت می‌کند.
پ2: چگونه سریع Letta را شروع کنم؟
از آموزش سریع توسعه‌دهنده برای پایتون یا تایپ‌اسکریپت استفاده کنید تا اولین عامل خود را بسازید و ابزار اضافه کنید. اگر مسیر بصری را ترجیح می‌دهید، از ADE برای پیکربندی حافظه، پرومت‌ها و ابزارها قبل از صادر کردن استفاده کنید.
پ3: آیا Letta می‌تواند ترجیحات کاربر و کارهای گذشته را به یاد داشته باشد؟
بله. Letta حافظه پایدار را پشتیبانی می‌کند تا عامل‌ها بتوانند ترجیحات، تصمیمات و نتایج را ذخیره و به صورت متنی در تعاملات آینده بازیابی کنند. سیاست‌های حافظه را پیکربندی و با وظایف واقعی اعتبارسنجی کنید.
پ4: ابزارها چگونه در عامل‌های Letta کار می‌کنند؟
شما تابع‌هایی با اسکیمای ورودی سخت‌گیرانه ثبت می‌کنید تا عامل بتواند آن‌ها را به درستی فراخوانی کند. اعتبارسنجی اضافه کنید، از enums استفاده کنید و خطاهای ساختاریافته برگردانید تا رفتار اصلاحی راهنما باشد وقتی ورودی‌ها اشتباه هستند.
پ5: آیا Letta همان MemGPT است؟
Letta بر اساس تحقیقات و اکوسیستم MemGPT ساخته شده اما پلتفرم و پکیج فعلی است که باید استفاده کنید. یادداشت‌های تغییر نام پکیج و مخزن متن‌باز تغییر و APIهای به‌روزشده را توضیح می‌دهند.
} } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } } }

مقالات اخیر
چگونه در ChatPDF مهارت پیدا کنیم: دسترسی سریع‌تر به اطلاعات از اسناد حجیم

چگونه در ChatPDF مهارت پیدا کنیم: دسترسی سریع‌تر به اطلاعات از اسناد حجیم

بهترین جایگزین X Auto-Translation برای ترجمه سریع و دقیق اسناد

بهترین جایگزین X Auto-Translation برای ترجمه سریع و دقیق اسناد

عدم دسترسی به ترجمه هوش مصنوعی سامسونگ در ایران؟ راهکارهای عملی

عدم دسترسی به ترجمه هوش مصنوعی سامسونگ در ایران؟ راهکارهای عملی

ابزارهای ترجمه فارسی: راهنمای عملی برای کار سریع‌تر و دقیق‌تر

ابزارهای ترجمه فارسی: راهنمای عملی برای کار سریع‌تر و دقیق‌تر

بهترین جایگزین Grok برای تحقیقات عمیق و مستند

بهترین جایگزین Grok برای تحقیقات عمیق و مستند

۱۵ ویژگی برتر تولیدکننده تصویر هوش مصنوعی که واقعاً از آنها استفاده خواهید کرد

۱۵ ویژگی برتر تولیدکننده تصویر هوش مصنوعی که واقعاً از آنها استفاده خواهید کرد