from letta import Client, Agent, Tool
client = Client(api_key=os.environ.
## Använda Letta ADE (No-Code/Low-Code-väg)
Om du föredrar visuell prototypning låter ADE dig komponera agenter, minnen och verktyg utan att skriva kod.
- Starta ett nytt agentprojekt i ADE.
- Definiera agentens roll (systemprompt), ton, gränser.
- Konfigurera minnespersistens och hämtstrategier.
- Lägg till verktyg genom att välja från connectors eller definiera egna åtgärder.
- Testa konversationer inline, observera minnesskrivningar, justera trösklar.
- Exportera eller lämna över till utvecklare när prototypen fungerar som den ska.
Se ADE-tillkännagivandet och tutorialen för en genomgång och en snabb introduktionsvideo.
## Designa fantastiska Letta-agenter: Rekommenderade bästa praxis
1) Börja med jobbet som ska göras
- Definiera ett snävt fokus (t.ex. "triagera supportärenden för webbfel"), inte en vag generalist.
2) Koda in arbetsrutiner
- Lägg in dina SOP:er i systemprompten. Exempel: "När triage föreslår produktionspåverkan, eskalera och sätt prioritet=hög. Inkludera alltid reproduktionssteg om tillgängligt."
3) Gör verktygsscheman strikta
- Tvinga enums och obligatoriska fält. Detta minskar hallucinerade parametrar.
4) Behandla minnet som en produktyta
- Bestäm vad som ska vara minnesvärt (kontakter, preferenser, tidigare lösningar) och vad som ska vara flyktigt (engångsberäkningar). Inspektera minnesspår regelbundet.
5) Testa med verkliga data
- Förse agenten med anonymiserade ärenden, dokument och exempel. Observera fel (saknad kontext, fel prioritet) och förbättra prompts/verktyg.
6) Skydd är bättre än efterhandsrensning
- Lägg till validering i verktyg. Om agenten föreslår ogiltiga indata ska din hanterare fånga upp och ge vägledning.
7) Instrumentera allt
- Logga verktygsanrop, minnesskrivningar och meddelandeteleskopi. Skapa dashboards för nyckelmått (framgångsfrekvens, tid till lösning).
8) Versionera dina agenter
- Följ förändringar i prompts, verktyg och minnespolicyer. Säkra kända fungerande versioner för produktion, iterera i staging.
## Vanliga arbetsflöden du kan leverera med Letta
- Kundsupport
- Sammanfatta trådar, föreslå lösningar, skapa ärenden, informera intressenter.
- Forskningsassistent
- Planera frågor, sök källor, syntetisera, lagra källanteckningar i minnet.
- Försäljnings-/CS-ops
- Analysera samtalsanteckningar, extrahera nästa steg, uppdatera CRM via verktyg, följ upp med mallade mejl.
- Intern automatisering
- Övervaka köer, trigga runbooks, filhantera statusuppdateringar och behåll kontext över skift.
## Felsökning: När saker inte beter sig som de ska
- Agenten glömmer saker
- Kontrollera att minnet är aktiverat och att hämttrösklarna är lämpliga. Kontrollera att dina objekt verkligen sparas.
- Verktygsanrop är felaktiga
- Skärp scheman, lägg till enums, och returnera strukturerade fel med korrigerande ledtrådar.
- Agenten är för ordrik eller för kortfattad
- Justera systempromptens stilguide och ge 2–3 inbäddade exempel.
- Motstridiga instruktioner
- Konsolidera dina arbetsregler. Använd uttryckliga prioriteringar: "Gör alltid X före Y."
- Drift efter uppdateringar
- Lås version i produktion. Utrulla förändringar med kanarier.
## Säkerhet och regelefterlevnad, korta anteckningar
- Behandla verktyg som betrodda kodvägar – autentisera och scope:a dem.
- Radera känslig data innan du loggar minnesspår.
- Tänk på PII i minnet: lagringspolicyer, åtkomstkontroller, kryptering.
## Från prototyp till produktion: En kort checklista
- Klara OKR:er för agenten (vad är framgång?).
- Snävt fokus och SOP-baserad systemprompt.
- Strikta verktygsscheman med validering och tester.
- Minnesstrategi dokumenterad och validerad med verkliga uppgifter.
- Observabilitet (loggar, mätvärden, larm) insatt.
- Versionshantering och rollback-plan.
- Separata staging- och produktionsmiljöer.
## Extra lärresurser
- Introduktionsvideo: skapa din första persistenta agent.
- Snabbstart (Python/TS) med kodexempel.
- Agentarkitektur och bästa praxis.
- ADE-tillkännagivande och genomgång.
- Paketbyten och kompatibilitetsnoteringar.
- Open-source repo och bakgrund.
## Förresten: Snabbare iteration med [Sider.AI](https://sider.ai)
Om du dokumenterar prompts, testar exempel eller jämför output mellan agentversioner är det praktiskt att ha artefakter sida vid sida för snabb iteration. Värt att notera är att [Sider.AI](https://sider.ai) (https://sider.ai/) kan hjälpa team att fånga prompts, anteckningar och diffar medan du bygger och testar agenter – användbart när flera personer förfinar en SOP eller utvärderar verktygsscheman.
## Viktiga slutsatser
- Letta hjälper dig att bygga stateful agenter med minne, verktyg och persistenta tillstånd.
- Börja med en snäv arbetsuppgift och strikta scheman för stabilitet.
- Använd SDK för kodförst-arbetsflöden eller ADE för visuell prototypning.
- Instrumentera, versionera och testa med verkliga data innan produktion.
- Använd den officiella snabbstarten och agentguider för att följa bästa praxis.
### FAQ
Q1: Vad är Letta och hur skiljer det sig från en vanlig chatbot?
Letta är en plattform för att bygga stateful AI-agenter med persistenta minnen och verktygshantering, inte bara ett statslöst chattwrapper. Den lagrar agentens tillstånd, upprätthåller verktygsscheman och låter dig hantera minne och arbetsflöden över sessioner.
Q2: Hur kommer jag snabbt igång med Letta?
Följ utvecklarens snabbstart för Python eller TypeScript för att skapa din första agent och lägga till verktyg. Om du föredrar en visuell väg, använd ADE för att konfigurera minne, prompts och verktyg innan du exporterar din setup.
Q3: Kan Letta komma ihåg användarpreferenser och tidigare uppgifter?
Ja. Letta stödjer persistenta minnen så att agenter kan lagra preferenser, beslut och utfall, och sedan hämta dem kontextuellt vid framtida interaktioner. Konfigurera minnespolicyer och validera med verkliga uppgifter.
Q4: Hur fungerar verktyg i Letta-agenter?
Du registrerar funktioner med strikta indata-scheman så att agenten kan anropa dem pålitligt. Lägg till validering, använd enums och returnera strukturerade fel för att vägleda korrigerande beteende när indatan är fel.
Q5: Är Letta samma sak som MemGPT?
Letta bygger vidare på MemGPT-forskningen och ekosystemet men är den nuvarande plattformen och paketet du bör använda. Paketbytena och open-source repot förklarar övergången och de uppdaterade API:erna.