afrom letta import Client, Agent, Tool
client = Client(api_key=os.environ.
## ใช้ Letta ADE (เส้นทางไม่ต้อง/น้อยโค้ด)
ถ้าคุณชอบการทำต้นแบบแบบภาพ ADE ช่วยให้คุณสร้าง agent ความทรงจำ และเครื่องมือโดยไม่ต้องเขียนโค้ด
- เริ่มโปรเจกต์ agent ใหม่ใน ADE
- กำหนดบทบาท agent (system prompt), โทน, ขอบเขต
- ตั้งค่าความทรงจำแบบถาวรและวิธีดึงข้อมูล
- เพิ่มเครื่องมือโดยเลือกจากคอนเนคเตอร์หรือกำหนดการกระทำแบบกำหนดเอง
- ทดสอบการสนทนาในตัว, สังเกตรายการเขียนความทรงจำ, ปรับเกณฑ์
- ส่งออกหรือส่งต่อให้นักพัฒนาหลังต้นแบบพร้อมทำงาน
ดูประกาศและบทเรียน ADE พร้อมวิดีโอแนะนำสั้น ๆ
## ออกแบบ Letta Agents อย่างยอดเยี่ยม: แนวปฏิบัติที่มีทัศนคติ
1) เริ่มจากงานที่จะทำให้สำเร็จ
- กำหนดขอบเขตแคบ ๆ (เช่น “คัดกรองตั๋วซัพพอร์ตสำหรับข้อผิดพลาดเว็บ”) ไม่ใช่ทำได้ทั่วไปแบบกว้าง
2) เขียนขั้นตอนการปฏิบัติงานลงในระบบ
- ใส่ SOP ลงใน system prompt เช่น “เมื่อพบผลกระทบโปรดักชัน ให้ยกระดับและตั้ง priority=high รวมขั้นตอนทำซ้ำถ้ามี”
3) สร้าง schema เครื่องมือให้เข้มงวด
- บังคับใช้ enum และฟิลด์ที่จำเป็น ลดโอกาสพารามิเตอร์เพ้อฝัน
4) จัดการความทรงจำเหมือนเป็นส่วนหนึ่งของผลิตภัณฑ์
- ตัดสินใจว่าจะจดจำอะไร (รายชื่อผู้ติดต่อ, ความชอบ, การแก้ไขก่อนหน้า) กับอะไรเป็นชั่วคราว (การคำนวณครั้งเดียว) ตรวจสอบร่องรอยความทรงจำเป็นประจำ
5) ทดสอบด้วยข้อมูลจริง
- เติม agent ด้วยตั๋ว, เอกสาร, และตัวอย่างที่ลบชื่อออก สังเกตข้อผิดพลาด (บริบทขาด, ลำดับความสำคัญผิด) และปรับปรุง prompt/เครื่องมือ
6) ป้องกันปัญหาล่วงหน้า ดีกว่ามาทำความสะอาดทีหลัง
- เพิ่มการตรวจสอบในเครื่องมือ หาก agent เสนอค่าป้อนเข้าที่ไม่ถูกต้อง ผู้ดูแลระบบควรจับและแนะนำแก้ไข
7) ติดตามทุกอย่าง
- บันทึกการเรียกใช้เครื่องมือ เขียนความทรงจำ และเทเลเมทรีระดับข้อความ สร้างแดชบอร์ดสำหรับเมตริกหลัก (อัตราความสำเร็จ, เวลาแก้ไข)
8) เวอร์ชัน agent ของคุณ
- ติดตามการเปลี่ยนแปลง prompt, เครื่องมือ และนโยบายความทรงจำ ตั้งเวอร์ชันที่เชื่อถือได้สำหรับโปรดักชัน และพัฒนาในสเตจ
## เวิร์กโฟลว์ทั่วไปที่คุณสามารถสร้างด้วย Letta
- บริการลูกค้า
- สรุปข้อความสนทนา, เสนอวิธีแก้ไข, สร้างตั๋ว, แจ้งผู้มีส่วนเกี่ยวข้อง
- ผู้ช่วยวิจัย
- วางแผนคำค้น, ค้นหาข้อมูล, สังเคราะห์, เก็บบันทึกแหล่งข้อมูลในความทรงจำ
- ฝ่ายขาย/CS Ops
- แยกโน้ตจากการโทร, ดึงขั้นตอนต่อไป, อัปเดต CRM ผ่านเครื่องมือ, ติดตามด้วยอีเมลแบบเทมเพลต
- ระบบอัตโนมัติภายใน
- ตรวจสอบคิว, ทริกเกอร์ runbook, อัปเดตสถานะ, เก็บบริบทข้ามกะ
## แก้ไขปัญหา: เมื่อระบบทำงานผิดปกติ
- agent ลืมสิ่งต่าง ๆ
- ตรวจสอบว่าเปิดใช้งานความทรงจำและเกณฑ์การดึงข้อมูลเหมาะสมหรือไม่ ตรวจดูว่าข้อมูลถูกเก็บอย่างแท้จริง
- การเรียกใช้เครื่องมือไม่ถูกต้อง
- ทำให้ schema เข้มงวดขึ้น เพิ่ม enum และส่งกลับข้อผิดพลาดแบบมีโครงสร้างพร้อมคำแนะนำแก้ไข
- agent พูดมากเกินไปหรือน้อยเกินไป
- ปรับสไตล์ไกด์ของ system prompt และให้ตัวอย่าง 2–3 แบบในข้อความ
- คำสั่งขัดแย้งกัน
- รวมกฎการทำงาน ใช้ลำดับความสำคัญชัดเจน เช่น “ทำ X ก่อน Y เสมอ”
- ระบบไหลออกจากเป้าหมายหลังอัปเดต
- ล็อกเวอร์ชันในโปรดักชัน และปล่อยการเปลี่ยนแปลงแบบค่อยเป็นค่อยไป (canaries)
## หมายเหตุความปลอดภัยและการปฏิบัติตามข้อกำหนด
- มองเครื่องมือเป็นเส้นทางโค้ดที่เชื่อถือได้—ยืนยันตัวตนและกำหนดขอบเขต
- ลบข้อมูลที่ละเอียดอ่อนก่อนบันทึกความทรงจำ
- พิจารณาข้อมูลส่วนบุคคลในความทรงจำ: นโยบายเก็บรักษา, การจำกัดการเข้าถึง, การเข้ารหัส
## จากต้นแบบสู่โปรดักชัน: เช็คลิสต์สั้น ๆ
- กำหนด OKRs ชัดเจนสำหรับ agent (นิยามความสำเร็จคืออะไร?)
- ขอบเขตแคบและ system prompt ขับเคลื่อนด้วย SOP
- schema เครื่องมือเข้มงวดพร้อม validation และการทดสอบ
- กลยุทธ์ความทรงจำได้รับการเขียนไว้และทดสอบจริง
- การมองเห็น (logs, metrics, alerts) พร้อมใช้งาน
- แผนเวอร์ชันและการย้อนกลับ
- แยกสภาพแวดล้อมสเตจและโปรดักชัน
## แหล่งเรียนรู้เพิ่มเติม
- วิดีโอแนะนำ: สร้าง agent persistent ตัวแรกของคุณ
- Quickstart (Python/TS) พร้อมซีนโค้ด
- สถาปัตยกรรม agent และแนวทางปฏิบัติที่ดีที่สุด
- ประกาศและบทเรียน ADE
- หมายเหตุการเปลี่ยนชื่อแพ็กเกจและความเข้ากันได้
- รีโป open-source และข้อมูลเบื้องหลัง
## เกร็ดความรู้: การทำซ้ำเร็วขึ้นด้วย [Sider.AI](https://sider.ai)
หากคุณกำลังจัดทำเอกสาร prompt, ทดสอบตัวอย่าง หรือเปรียบเทียบผลลัพธ์ในหลายเวอร์ชัน agent การเก็บ artifacts ขนาบข้างและทำซ้ำอย่างรวดเร็วเป็นประโยชน์ ที่สำคัญคือ [Sider.AI](https://sider.ai) (https://sider.ai/) ช่วยให้ทีมจับ prompt, โน้ต และ diff ได้ขณะสร้างและทดสอบ agent ซึ่งมีประโยชน์เมื่อหลายคนกำลังปรับ SOP หรือประเมิน schema เครื่องมือ
## ข้อสรุปสำคัญ
- Letta ช่วยคุณสร้าง stateful agents ที่มีความทรงจำ เครื่องมือ และสถานะถาวร
- เริ่มจากงานแคบ ๆ และ schema เข้มงวดเพื่อความเสถียร
- ใช้ SDK สำหรับโค้ดเฟิร์ส หรือ ADE สำหรับต้นแบบแบบภาพ
- ติดตาม, เวอร์ชัน และทดสอบด้วยข้อมูลจริงก่อนใช้งานจริง
- ใช้ quickstart และคู่มือ agent ทางการเพื่อทำตามแนวทางปฏิบัติที่ดีที่สุด
### คำถามที่พบบ่อย
Q1: Letta คืออะไร และแตกต่างจากแชทบอททั่วไปอย่างไร?
Letta คือแพลตฟอร์มสร้าง stateful AI agents ที่มีความทรงจำถาวรและจัดการเครื่องมือ ไม่ใช่แค่แชทแบบ stateless มันเก็บสถานะ agent บังคับ schema เครื่องมือ และช่วยจัดการความทรงจำและเวิร์กโฟลว์ข้ามเซสชัน
Q2: ฉันจะเริ่มใช้ Letta ได้รวดเร็วอย่างไร?
ทำตาม quickstart สำหรับนักพัฒนาด้วย Python หรือ TypeScript เพื่อสร้าง agent ตัวแรกและเพิ่มเครื่องมือ หากชอบแบบภาพ ให้ใช้ ADE กำหนดความทรงจำ prompt และเครื่องมือก่อนส่งออกการตั้งค่า
Q3: Letta สามารถจำความชอบและงานที่ผ่านมาได้ไหม?
ได้ Letta รองรับความทรงจำถาวรทำให้ agent จดจำความชอบ การตัดสินใจ และผลลัพธ์ แล้วดึงมาใช้บริบทในการโต้ตอบครั้งหน้า ตั้งค่านโยบายความทรงจำและทดสอบกับงานจริง
Q4: เครื่องมือทำงานอย่างไรใน Letta agent?
คุณลงทะเบียนฟังก์ชันที่มี schema เข้มงวดเพื่อให้ agent เรียกใช้ได้อย่างน่าเชื่อถือ เพิ่ม validation ใช้ enum และส่งคืนข้อผิดพลาดแบบมีโครงสร้างเพื่อแนะนำแก้ไขเมื่อข้อมูลนำเข้าผิดพลาด
Q5: Letta คือ MemGPT เหมือนกันไหม?
<a119>Letta สร้างต่อจากงานวิจัยและระบบนิเวศ MemGPT แต่เป็นแพลตฟอร์มและแพ็กเกจที่ใช้งานปัจจุบัน บันทึกการเปลี่ยนชื่อแพ็กเกจและรีโปเปิดเผยการเปลี่ยนผ่านและ API ที่อัปเดต