پروفایل پروژه
Letta
Letta برای تیمهایی مناسب است که میخواهند agentهای پایدار با memory بلندمدت، state قابلحفظ و ابزارهای production-ready بسازند. نقطه قوت اصلی آن این است که state را فقط در context موقت نگه نمیدارد؛ بلکه memory، پیامها و tool callها را در دیتابیس persist میکند تا رفتار agent در طول زمان ادامهدار و قابلکنترل بماند. اگر هدف شما ساخت زیرساخت agentی جدی است، Letta انتخاب مناسبی است. اگر فقط یک orchestration سبک یا یک chatbot ساده میخواهید، این سطح از complexity لازم نیست.
letta-ai/letta
پروفایل مستقل برای بررسی پروژه، نه مقاله و نه داشبورد ابزار.
سیگنالهای سریع
خلاصهٔ فوری
پلتفرم و فریمورک متنباز برای ساخت agentهای stateful با memory و state پایدار
نمای پروژه
نمای پروژه
چیست
پلتفرم و فریمورک متنباز برای ساخت agentهای stateful با memory و state پایدار
نیست
chatbot ساده یا low-code orchestrator عمومی
مناسب برای
مناسب براینامناسب برای
نامناسب برایسلامت GitHub
سلامت GitHub
نمای کلی GitHub در زمان بررسی: star و fork بالا، issueهای فعال و تاریخچه commit قابلتوجه در مخزن رسمی letta-ai/letta.
سطح معماری
سطح معماری
ماتریس توانمندی Agent
ماتریس توانمندی Agent
state، memory و پیامها در دیتابیس نگهداری میشوند و از بین نمیروند.
memory blockها و shared memory برای context پایدار طراحی شدهاند.
client tools، server tools، built-in tools و MCP tools را پوشش میدهد.
برای workflowهایی که approval و مداخله انسانی لازم دارند مناسب است.
برای orchestration agent-centric مناسب است، اما low-code orchestrator نیست.
جریان اجرا
جریان اجرا / Runtime
prompt، state و memory موردنیاز را مشخص کن.
context پایدار و shared memory را برای agent attach کن.
ابزارهای client، server یا MCP را برای اجرا و تعامل اضافه کن.
agent را اجرا کن و stepها را برای tracing و کنترل بررسی کن.
memory و پیامها را برای تکرارهای بعدی حفظ کن و workflow را بهبود بده.
ماتریس تناسب
ماتریس تناسب
Letta ابزارها را بهصورت رسمی و کنترلشده در agent loop جای میدهد.
policy و سطح دسترسی toolها را قبل از production نهایی کن.
run و stepهای stateful آن برای جریانهای چندمرحلهای مناسباند.
مرزهای stepها و retry policy را از ابتدا طراحی کن.
shared memory و patternهای چندایجنتی را پشتیبانی میکند.
برای handoff و ownership بین agentها قرارداد مشخص تعریف کن.
state persistence، memory و کنترل ابزارها برای production ارزش بالایی دارند.
مانیتورینگ، observability و guardrailها را همزمان اضافه کن.
برای ساخت اپلیکیشنهای LLM با context پایدار و رفتار قابلاتکا مناسب است.
اگر محصول تو stateless است، قبل از انتخاب Letta نیاز واقعی را بسنج.
رادار ریسک
رادار ریسک
اگر memory model را بد طراحی کنی، پیچیدگی محصول خیلی سریع بالا میرود.
برای use caseهای ساده، Letta بیشتر از نیاز واقعی تو هزینه ایجاد میکند.
persisted state، ابزارها و runهای طولانی به observability و کنترل بیشتر نیاز دارند.
Letta platform است، نه low-code automation tool و نه vector store مستقل.
شواهد
شواهد
صفحه رسمی Letta و positioning محصول بهعنوان platform برای stateful agents.
مشاهده منبعورود رسمی به مستندات Letta و ساختار core concepts، tutorials و API docs.
مشاهده منبعصفحه رسمی توضیح میدهد که Letta agentهای stateful را با memory و context پایدار پشتیبانی میکند.
مشاهده منبعمستندات رسمی memory blocks، shared blocks و persistence را توضیح میدهد.
مشاهده منبعمخزن رسمی پروژه و مرجع کد منبع.
مشاهده منبعارزش یادگیری
ارزش یادگیری
منابع مرتبط / ابزارها
منابع مرتبط / ابزارها
مسیر رسمی برای toolهایی که در سمت client اجرا میشوند.
مشاهده منبعمسیر رسمی ابزارهایی که server-side اجرا میشوند.
مشاهده منبعالگوهای رسمی برای مداخله انسانی در جریان agent.
مشاهده منبعمستند رسمی برای memory blockهای مشترک بین چند agent.
مشاهده منبعProject Fit
مناسب چه پروژههایی است؟
این ابزار برای چه پروژههایی مناسب است
Letta برای agentهای stateful و حافظهدار مناسب است
اگر Agent شما باید state طولانیمدت و memory پایدار داشته باشد، Letta مناسب است. برای دستیارهای شخصی و agentهای چندجلسهای گزینه خوبی است.
Audience
به درد چه کسانی میخورد؟
Use Cases
به درد چه پروژههایی میخورد؟
برای حفظ context در جلسههای مختلف.
برای نگهداشتن یادداشتها و ترجیحات.
برای کارهایی که زمانبر هستند.
برای شخصیسازی پاسخ براساس history.
برای ادامه کار از جایی که قطع شده.
برای recall اطلاعات قبلی بدون تکرار.
Fit
میزان تناسب با پروژهها
Flow
چطور ساده پیادهسازی میشود؟
Requirements
حداقل پیشنیازها
Good Fit
چه زمانی انتخاب خوبی است؟
Bad Fit
چه زمانی انتخاب خوبی نیست؟
Example
نمونه تصمیم واقعی
برای یک دستیار شخصی، Letta میتواند ترجیحات و context گذشته را نگه دارد تا گفتگو در جلسههای بعدی طبیعیتر شود.