afrom letta import Client, Agent, Tool
client = Client(api_key=os.environ.
## Bruke Letta ADE (No-Code/Low-Code-veien)
Hvis du foretrekker visuell prototyping, lar ADE deg sette sammen agenter, minne og verktøy uten koding.
- Start et nytt agentprosjekt i ADE.
- Definer agentens rolle (systemprompt), tone og grenser.
- Konfigurer minnepersistens og gjenhentingsstrategier.
- Legg til verktøy ved å velge fra tilkoblinger eller definere egne handlinger.
- Test samtaler direkte, observer minneskriving, juster terskler.
- Eksporter eller overlever til utviklere når prototypen oppfører seg som ønsket.
Se ADE-kunngjøringen og tutorialen for en gjennomgang og en rask introduksjonsvideo.
## Slik designer du gode Letta-agenter: Anbefalte praksiser
1) Start med jobben som skal gjøres
- Definer et smalt omfang (f.eks. “behandle supporthenvendelser for nettfeil”), ikke en vag generalist.
2) Koding av operasjonsprosedyrer
- Legg inn dine SOP-er i systemprompten. For eksempel: “Når vurdering antyder produksjonspåvirkning, eskaler og sett prioritet=høy. Inkluder alltid reproduksjonstrinn hvis tilgjengelig.”
3) Gjør verktøyskjemaer strenge
- Påkrevd bruk av enum-verdier og obligatoriske felt. Dette reduserer feilparameter-hallusinasjoner.
4) Behandle minnet som en produktflate
- Bestem hva som skal være minneverdig (kontakter, preferanser, tidligere løsninger) og hva som skal være flyktig (engangsberegninger). Inspiser minnespor regelmessig.
5) Test med ekte data
- Tilfør agenten anonymiserte saker, dokumenter og eksempler. Observer feilmønstre (manglende kontekst, feil prioritet) og forbedre prompts/verktøy.
6) Forebygg heller enn rydding i ettertid
- Legg til validering i verktøy. Hvis agenten foreslår ugyldige input, skal håndtereren fange opp og gi veiledning.
7) Instrumenter alt
- Loggfør verktøykall, minneskriving og meldingstelemetri. Lag dashbord for nøkkelmetrikker (suksessrate, tid til løsning).
8) Versjoner agentene dine
- Spor endringer i prompts, verktøy og minnepolicier. Frys kjente gode versjoner for produksjon, iterer i staging.
## Vanlige arbeidsflyter du kan levere med Letta
- Kundestøtte
- Oppsummer tråder, foreslå løsninger, opprett saker, varsle interessenter.
- Forskningsassistent
- Planlegg søk, undersøk kilder, syntetiser og lagre kilde-notater i minnet.
- Salgs- og CS-operasjoner
- Analyser notater fra samtaler, hent ut neste steg, oppdater CRM via verktøy, følg opp med mal-eposter.
- Intern automatisering
- Overvåk køer, utløse runbooks, arkiver statusoppdateringer og behold kontekst på tvers av skift.
## Feilsøking: Når ting ikke oppfører seg som forventet
- Agenten glemmer ting
- Sjekk at minne er aktivert og at gjenhentingstersklene er riktige. Sjekk at elementene faktisk blir lagret.
- Verktøykall er feilformatert
- Stram inn skjemaene, legg til enum og returner strukturerte feil med veiledende hint.
- Agenten er for ordrik eller for kortfattet
- Juster systempromptens stilguide og legg til 2–3 eksempler inline.
- Motstridende instrukser
- Konsolider driftsreglene. Bruk eksplisitte prioriteringer: “Gjør alltid X før Y.”
- Driv etter oppdateringer
- Lås versjoner i produksjon. Rull ut endringer gradvis med canary-deployment.
## Sikkerhets- og samsvarsnotater
- Behandle verktøy som pålitelige kodebaner – autentiser og avgrens dem.
- Fjern sensitiv data før logging av minnespor.
- Vurder PII i minnet: lagringspolicyer, tilgangskontroll, kryptering.
## Fra prototype til produksjon: En kort sjekkliste
- Klare OKR-er for agenten (hva er suksess?).
- Smalt omfang og SOP-drevet systemprompt.
- Strenge verktøyskjemaer med validering og tester.
- Minnestrategi dokumentert og validert med ekte oppgaver.
- Observabilitet (logger, metrikker, varsler) på plass.
- Versjonering og tilbakestillingsplan.
- Separate staging- og produksjonsmiljøer.
## Ekstra læringsressurser
- Introvideo: Lag din første vedvarende agent.
- Raskstart (Python/TS) med kodeeksempler.
- Agentarkitektur og beste praksiser.
- ADE-kunngjøring og gjennomgang.
- Pakkenavn-endring og kompatibilitetsnotater.
- Åpent kildekode-repo og bakgrunn.
## Forresten: Raskere iterasjon med [Sider.AI](https://sider.ai)
Hvis du dokumenterer prompts, tester eksempler eller sammenligner output på tvers av agentversjoner, er det nyttig å holde artefakter side om side og iterere raskt. Verd å vite er at [Sider.AI](https://sider.ai) (https://sider.ai/) hjelper team med å fange prompts, notater og differanser mens du bygger og tester agenter – spesielt nyttig når flere jobber sammen om å forbedre SOP-er eller evaluere verktøyskjemaer.
## Viktige punkter å ta med seg
- Letta hjelper deg med å bygge stateful agenter med minne, verktøy og persistent tilstand.
- Start med et smalt jobbfokus og strenge skjemaer for stabilitet.
- Bruk SDK for kodeorienterte arbeidsflyter eller ADE for visuell prototyping.
- Instrumenter, versjoner og test med ekte data før du går live.
- Utnytt offisiell raskstart og agentguider for å følge beste praksis.
### FAQ
Q1: Hva er Letta, og hvordan skiller det seg fra en vanlig chatbot?
Letta er en plattform for å bygge stateful AI-agenter med vedvarende minne og verktøystyring, ikke bare en statsløs chat-wrapper. Den lagrer agenttilstand, håndhever verktøyskjemaer og lar deg administrere minne og arbeidsflyter over økter.
Q2: Hvordan kommer jeg raskt i gang med Letta?
Følg utviklerens raskstart for Python eller TypeScript for å opprette din første agent og legge til verktøy. Foretrekker du en visuell vei, bruk ADE for å konfigurere minne, prompts og verktøy før du eksporterer oppsettet.
Q3: Kan Letta huske brukerpreferanser og tidligere oppgaver?
Ja. Letta støtter vedvarende minne slik at agenter kan lagre preferanser, beslutninger og resultater og hente dem kontekstuelt i fremtidige interaksjoner. Konfigurer minnepolicyer og valider med ekte oppgaver.
Q4: Hvordan fungerer verktøy i Letta-agenter?
Du registrerer funksjoner med strenge inntaksskjemaer slik at agenten kan kalle dem pålitelig. Legg til validering, bruk enum og returner strukturerte feil for å veilede korrigerende oppførsel når input er feil.
Q5: Er Letta det samme som MemGPT?
Letta bygger videre på MemGPT-forskningen og økosystemet, men er den nåværende plattformen og pakken du bør bruke. Notatene om pakkenavn-endring og det åpne repositoriet forklarer overgangen og oppdaterte API-er.