Letta
Agent 的记忆操作系统

2023 年 10 月，UC Berkeley Sky Lab 的两位博士生 Charles Packer 和 Sarah Wooders 发表论文（arXiv:2310.08560），提出一个看似简单却影响深远的类比：LLM 就像一台只有 RAM 没有硬盘的计算机——context window 是物理限制，每次对话结束一切清零。他们把操作系统虚拟内存管理的思想引入 LLM，让模型自己决定哪些信息"换入"当前上下文、哪些"换出"到外部存储，这个系统叫 MemGPT。

项目上线 GitHub 后两周内获得 10,000 Stars，成为当时传播最快的 AI 研究项目之一。2024 年，团队正式注册公司并更名为 Letta（来自意大利语"lettera"，信件/记录），获 Felicis Ventures 领投的 $10M 种子轮，Jeff Dean 个人天使参投。

Sky Lab 是 Ion Stoica 教授主持的实验室，系谱可追溯到 Apache Spark、Ray 和 Databricks，擅长把学术系统思想工程化成工业级产品，Letta 完全在这个传统里。2026 年 Q1，公司宣布重心转向 Letta Code——一个专为 AI 编程助手设计的 git-backed 记忆文件系统，这不是方向迷失，而是精准聚焦：编程是 Agent 失忆最痛的场景，也是付费意愿最强的场景。

MemGPT 论文提出三层架构：Main Context（主上下文，类比 CPU 寄存器/L1 缓存）、Core Memory（核心记忆，压缩摘要，类比 RAM）、Archival Memory（归档记忆，向量数据库无限存储，类比硬盘），LLM 通过调用 core_memory_append、archival_memory_search 等工具函数主动管理自己的记忆，而非被动接受截断。每个 Agent 拥有独立的三层状态，原生支持 Agent-to-Agent 消息传递，兼容 OpenAI / Anthropic / 本地 Ollama 模型。

开源框架 GitHub 累计 18k+ Stars，88% Fortune 100 用其构建企业 Agent。Letta Cloud 提供托管式 Agent 状态平台，用户无需自建向量数据库或设计压缩逻辑；与 E2B 形成互补分工——E2B 解决执行隔离（沙箱），Letta 解决状态持久化（记忆），两者可以叠加使用。

2026 年 Q1 推出的 Letta Code 核心创新是 git-backed Memory File System（MemFS）：Agent 的工作记忆以 git 仓库形式存储，每次会话生成一个 commit，天然具备版本追踪，任何 AI coding agent 都可以接入，不绑定特定 IDE。Cursor、Windsurf 解决的是当前会话的编程体验，Letta Code 解决的是跨会话的知识积累。

MemGPT 的 OS 类比不只是好看的比喻，而是一份工程蓝图：明确的模块分工加明确的接口设计，解决了所有长期任务 Agent 的根本障碍。Jeff Dean 个人天使加 Felicis Ventures 机构投资的组合，是比一般 VC 信号更强的背书——他对底层系统架构的判断力经过 GFS、MapReduce、TensorFlow 的验证。

从通用 Agent 框架 Pivot 到 Letta Code 是正确的聚焦：原始框架"给所有 Agent 加记忆"的价值主张太宽，竞争者多，销售周期长；编程场景用户对 AI 失忆极度敏感，付费意愿也是开发者工具品类里最强的。

但最大的风险是叙事问题，不是技术问题：context window 的持续扩大（部分模型已达 200k token）会让用户质疑"记忆层还有必要吗"——答案是有必要，因为状态持久化跨越 session，context window 只解决单次推理内的信息容量，两者不在同一个层次，但这个区别对非技术用户并不直观，叙事空间容易被"context 越来越大"的声量压缩。