Letta 現在是最好的 AI Agent 框架嗎？一個誠實的評價
更新於 2025年9月24日
8 分鐘
Letta 評論：功能、定價、優點與缺點，以及它與 AI Agent Framework 的比較
如果您正在構建有狀態的 AI agent——例如，可以長期記住用戶、協調工具和管理長期工作流程的助手——您可能已經聽說過關於 Letta 的傳言（或激烈的討論）。該平台被定位為一種以開發者為先的方式，用於構建具有高級記憶的有狀態 LLM 應用程式。但 Letta 實際上能在速度、記憶品質和開發者人體工學方面兌現承諾嗎？
在這篇 Letta 評論中，我們將剖析它、它、它，以及它與 Mem0、Zep、AutoGen、crewAI 和 LangGraph 的比較。我們還將分享 Letta 最適合，以及在您全力投入之前需要考慮。
風格說明：這篇評論採用「熱情且詳盡」的方式——期望獲得實用建議、細緻的比較，以及來自公開討論和開發者情緒的有見地的觀點。
— 快速結論
- Letta 在有狀態的 AI agent 方面表現出色，它具有強大、開發者友好的記憶，並且在開放工具和生產實用性之間取得了平衡。
- 最適合重視結構化、可查詢記憶，並且希望 agent 平台能夠超越玩具演示的團隊。
- 如果您想要一個極其簡單的嵌入式記憶層，請嘗試 Mem0。如果您需要研究級別的記憶複雜性，請考慮 Zep。對於 agent 編排圖，LangGraph 表現出色。對於多 agent 模式，crewAI/AutoGen 仍然是流行的選擇。
- 您仍然需要圍繞向量儲存、RAG 策略和可觀察性做出選擇。Letta 不會為您解決架構問題；它會為您提供一個強大的後盾來實施它。
什麼是 Letta？
Letta 是一個 AI 平台，用於構建具有高級記憶和 agent 功能的有狀態 LLM 應用程式。它專注於幫助開發者創建能夠長期存在、回憶過去互動並在生產環境中可靠地使用工具的 agent。它將自己定位為一個框架/平台，在開發者體驗和現實世界的部署需求之間取得平衡。
主要支柱（從公開產品描述和社群討論中收集）：
- 具有持久記憶的有狀態 agent
- 具有檢索支援的結構化記憶（實體、事實、事件）
- 工具使用和編排
- 用於構建生產級 LLM 應用程式的開發者友好模式
開發者怎麼說
Letta 在 AI 開發社群中引起了一些關於記憶的熱烈比較。一個值得注意的討論將 Letta 與 Mem0 進行對比——幾乎就像摔角比賽一樣——指出了在記憶抽象和開發者控制方面的不同理念。同時，長篇報導通常將 Letta 與 Mem0 和 Zep 並列為三種不同的方法：開放/社群主導的靈活性 (Letta)、務實的 SaaS 簡約性 (Mem0) 和研究驅動的複雜性 (Zep)。
翻譯：社群認為 Letta 是一條強大的中間道路——比隨插即用的記憶層更結構化和可擴展，但不如研究型堆疊那麼複雜。
Letta 的核心功能（以及它們為何重要）
- 高級結構化記憶：不僅僅是轉錄儲存。Letta 支援有組織的記憶模型——實體、事實、時間線——您可以查詢和控制。當 agent 需要跨會話保持一致的回憶和上下文累積時，這會帶來回報。
- 工具使用和整合：Agent 可以可靠地呼叫工具（API、函數）。這是現代 agent 的基本要求，但 Letta 的重點是您可以投入生產的可重複模式。
- 狀態管理：長期會話和跨對話的連續性。對於 CRM 助手、內部副駕駛和工作流程機器人至關重要。
- 可觀察性掛鉤：當 agent 超越聊天玩具時，日誌記錄、追蹤和可調試性非常重要。Letta 在這方面傾向於開發者人體工學。
Letta 與競爭對手：領先和落後之處
以下是基於公開資訊和開發者情緒的有見地的分析。
Letta vs Mem0
- Mem0 是將記憶添加到 LLM 應用程式的最快方法——輕量級、隨插即用，具有合理的預設值。Letta 提供更多的結構和控制，但代價是一些前期複雜性。
- 如果您想要快速實現價值和最小的配置，請選擇 Mem0。如果您需要可查詢的結構化記憶，使其成為您 agent 體驗的核心差異化因素，請選擇 Letta。
Letta vs Zep
- Zep 傾向於研究級別，具有複雜的記憶檢索和嵌入管道。對於想要控制但又不想過於複雜的團隊來說，它可能過於複雜。
- 對於需要可解釋和可維護的產品團隊來說，Letta 更容易上手。如果您需要最先進的記憶檢索性能或實驗性架構，Zep 可能更適合。
Letta vs LangGraph
- LangGraph 擅長基於圖的 agent 編排（節點、邊、控制流）。Letta 可以與 LangGraph 共存——或取代其中的一部分——這取決於您的主要瓶頸是編排還是記憶/狀態。
- 如果您的用例需要具有分支、重試和防護的複雜多步驟流程，那麼 LangGraph 很有吸引力。如果您的差異化因素是持久、值得信賴的記憶和身份，那麼 Letta 的重點就很有吸引力。
Letta vs crewAI 和 AutoGen
- crewAI 和 AutoGen 推廣了多 agent 模式（角色、移交、反思）。Letta 可以互操作，但它的價值主張不是「更多 agent」，而是「更聰明、持久的 agent」。
- 如果 agent 之間的協作模式是核心，那麼 crewAI/AutoGen 是強大的選擇。如果單個 agent 記住數週內的上下文是關鍵，那麼 Letta 值得認真考慮。
優勢
- 強大的記憶，感覺是為真實產品而設計，而不是演示。
- 平衡的開發者體驗——足夠的抽象性可以快速移動，足夠的控制可以避免供應商鎖定。
- 作為 RAG + 工具 + 記憶模式的後盾效果很好。
- 活躍的社群興趣和不斷增長的比較，這是相關性的良好信號。
局限性
- 不是隨插即用的魔杖；您仍然需要設計您的記憶架構和檢索策略。
- 複雜的企業工作流程（圖編排、人為迴路、策略）可能需要與 LangGraph 或自定義控制器配對。
- 定價和託管模型可能因部署而異——團隊應評估 TCO 與更簡單的記憶層相比（詳細資訊可能會更改；請查看官方頁面或目錄中的最新資訊）。
Letta 最適合哪些人？
- 構建必須跨會話記住用戶的助手的產品團隊（支援、銷售、運營、開發者工具）。
- 需要結構化記憶層而無需採用完全客製化的研究堆疊的新創公司。
- 需要可審計性和受控回憶的企業試點領域副駕駛。
真實世界的用例
- 客戶支援副駕駛，可以在安全範圍內回憶帳戶上下文、先前的票證和偏好。
- 持久記錄專案更新、團隊決策和任務狀態的內部知識助手。
- 在正確的時間追蹤潛在客戶互動並顯示關鍵事實的銷售助手。
- 在幾天內收集數據、呼叫工具並總結人類結果的工作流程 agent。
如何評估 Letta 的堆疊
- 儘早定義您的記憶模型
- agent 應該記住什麼？實體（人員、公司）、事實（偏好）、事件（會議）、決策（批准）？
- 預先設計您的架構、保留策略和檢索模式。
- 選擇您的檢索和向量儲存策略
- 您需要混合搜索（BM25 + 密集型）嗎？
- 您將如何刪除重複的事實並管理嵌入漂移？
- 與可觀察性和測試配對
- 檢測提示、工具呼叫和記憶寫入。
- 為關鍵流程上的記憶回憶創建迴歸測試。
- 使編排複雜性與工具對齊
- 如果您需要分支圖、重試和防護：請考慮使用 LangGraph 作為控制平面。
- 如果您需要多 agent 移交：評估 crewAI 或 AutoGen 模式。
- 規劃隱私和合規性
- 決定要持久儲存什麼以及儲存多長時間。
- 在適當的地方實施 PII 刪除和加密。
定價和部署說明
公共目錄將 Letta 描述為一個用於構建有狀態 LLM 應用程式和 agent 的平台；具體的定價和部署模型可能會隨著時間的推移而變化。始終通過供應商或更新的列表確認當前詳細資訊。對於許多團隊來說，關鍵的成本問題是結構化記憶層是否減少了足夠的工程時數，從而證明了平台支出與自行開發相比的合理性。
開發者體驗：使用 Letta 構建的感覺
- 清晰的心智模型：agent、記憶對象、工具和策略。
- 您可以控制寫入記憶的內容以及檢索方式，從而減少了虛構的回憶。
- 因為 Letta 是為生產而設計的，所以您會發現更少的「演示優先」陷阱——例如，記憶堆積而沒有結構。
我們喜歡的一個典型模式：
- 將消息和工具結果標準化為結構化記憶（事實、實體）。
- 索引語義和符號引用。
- 在新的一輪中，檢索最小、高信號的記憶並將其作為上下文傳遞——而不是歷史牆。
它在關鍵標準上的比較
- 記憶品質：強。結構化、可查詢、可控制。
- 生產速度：中高，一旦設定了模式；需要一些前期設計。
- 工具編排：對於單個 agent 來說很可靠；對於複雜的流程，請與編排器配對。
- 生態系統契合度：與 RAG、向量 DB、可觀察性工具配合良好。
- 可維護性：良好。該結構減少了隨著時間的推移產生的熵。
順便說一句：使用 Sider.AI 更快地構建
值得注意的是——如果您正在試驗多個框架或原型 agent 流程，Sider.AI 可以幫助您通過上下文感知 AI 輔助和直接在瀏覽器中進行程式碼探索來更快地迭代。它對於比較函式庫、生成支架和記錄模式非常方便（https://sider.ai/）。使用它來起草記憶架構、編寫測試，甚至並排比較 Letta 與 LangGraph 樣板。
建議
- 如果您的競爭優勢取決於可靠、結構化的記憶和長期存在的 agent 狀態，請選擇 Letta。
- 將其與 LangGraph 配對以進行複雜的編排，或與 Mem0 配對以進行可以稍後遷移的快速啟動試點。
- 對於研究型記憶需求，請與 Letta 一起測試 Zep，並測量回憶精度、延遲和維護開銷。
我們希望接下來看到什麼
- 開箱即用的 PII 刪除和差異保留的原生策略。
- 用於記憶正確性和漂移檢測的一流評估工具。
- 與流行的可觀察性堆疊和提示註冊表的更緊密整合。
主要要點
- Letta 是一個強大、以生產為導向的選項，用於構建具有高級記憶的有狀態 AI agent。
- 它介於「簡單的記憶附加元件」(Mem0) 和「研究型平台」(Zep) 之間，提供務實的折衷方案。
- 仔細地將 Letta 與編排工具 (LangGraph) 以及測試/可觀察性配對，以獲得最大價值。
常見問題
Q1：什麼是 Letta？它是如何運作的？
Letta 是一個用於構建具有結構化、持久記憶和工具使用的有狀態 AI agent 的平台。它可以幫助開發者創建能夠長期記住用戶並在對話期間檢索相關事實的 agent。
Q2：Letta vs Mem0：哪一個更適合 AI 記憶？
Mem0 非常適合快速、嵌入式記憶，只需最少的設定，而 Letta 提供更結構化、可查詢的記憶，適用於生產級 agent。選擇 Mem0 以實現快速價值，選擇 Letta 以實現長期可維護性和控制。
Q3：Letta 與 Zep 在 AI 記憶方面有何比較？
Zep 傾向於記憶檢索中的研究級複雜性，這可能很強大但也很複雜。Letta 通過在不增加過多開銷的情況下為開發者提供結構化記憶來實現平衡。
Q4：我應該使用 Letta 還是 LangGraph 進行編排？
如果您需要基於複雜圖的流程、分支和重試，請使用 LangGraph。如果您的主要需求是持久記憶和單個 agent 的可靠性，請使用 Letta——兩者可以在需要時配對。
Q5：誰應該使用 Letta 進行 AI agent？
Letta 最適合構建必須跨會話保持上下文的助手的團隊，例如支援副駕駛、內部知識助手和銷售 agent。如果長期記憶是您的差異化因素，那麼 Letta 非常適合。
