Letta Code
让长期运行的智能体保留记忆、身份并持续演化。
按维度查看评分与理由
证据显示有权限模式（standard/auto-approved/auto-denied）和用户确认机制（/connect 配置 API 密钥），但未提供具体实现细节。数据流透明度方面，README 提到 secrets 混淆和记忆仓库同步，但未详细说明数据流向。敏感数据处理有 secrets 功能，但未说明加密或存储方式。依赖安全方面，有 CI 和依赖锁定（bun.lockb 未提供），但未提供漏洞扫描证据。外部影响方面，有 hooks 和自定义脚本，但未说明权限控制。回滚方面，MemFS 使用 git 跟踪，但未明确回滚机制。来源归属方面，有许可证和版权声明，但发布者未验证。
自一致性方面，README 和 package.json 描述一致，CI 配置显示多种测试，但未提供测试结果。依赖可用性方面，依赖列表完整，但未提供锁定文件或镜像。失败消息方面，CI 中有错误日志步骤，但未提供用户可见的错误处理文档。
受众和场景方面，README 描述了多种使用场景（CLI、桌面、浏览器、消息集成），但未提供详细教程。能力边界方面，有权限模式和工具禁用选项，但未明确限制。触发精度方面，有 slash 命令和 crons，但未提供精确触发条件。环境适配方面，支持多平台和远程环境，但未提供详细配置指南。
信息架构方面，README 结构清晰，有功能表格和文档链接。安装说明方面，提供了 npm 安装和桌面应用下载。命名稳定性方面，包名和命令稳定。示例和 FAQ 方面，有教程 agent 和文档链接，但未提供 FAQ。已知限制方面，未明确列出。许可证方面，Apache-2.0 且包含品牌资产排除。版本和变更日志方面，有版本号但未提供变更日志。维护责任方面，有 CI 和发布流程，但未明确维护者。
输出可用性方面，支持多种输出格式（text/json/stream-json），但未提供示例。边际价值方面，提供了独特功能（记忆、技能、子代理），但未与其他工具比较。成本效益方面，需要 API 密钥和云服务，但未提供定价信息。
声明可追溯性方面，README 中的功能有文档链接，但未提供具体实现代码。跨来源佐证方面，有 CI 测试和文档，但未提供独立验证。事实与推断分离方面，README 区分了功能描述和文档链接，但未明确区分事实和推断。
- 发布者身份未验证，需谨慎对待供应链风险。
- 依赖安全未提供漏洞扫描证据，建议检查依赖锁定文件。
- 权限模式的具体实现未在源码中体现，需实际运行验证。
- 数据流和敏感数据处理细节不足，需进一步审查。
这个 Agent 能做什么，适合哪些场景？
Letta Code 是用于创建有状态智能体的命令行与桌面端运行框架，强调记忆、身份及随时间积累的经验。它可通过本地 CLI、macOS/Windows/Linux 桌面应用、chat.letta.com 浏览器界面，以及 Telegram、Slack、Discord 和自定义渠道与同一智能体交互。智能体可重写记忆、技能、提示词和通过 mods 扩展的运行框架，并可使用子智能体、钩子、计划任务和消息搜索。登录 Letta 后，智能体状态可存于 Letta Cloud，运行则可路由到笔记本、云端 VM、Mac Mini、托管沙箱或远程环境。
用户在项目目录运行 letta 后，可用 /connect 配置 OpenAI、ChatGPT、Anthropic 或 Z.ai coding plan 的 API 密钥，并通过 /model 切换模型。智能体将上下文（含 memory blocks）由 MemFS 以 Git 形式跟踪；可用 /memory-repository set [email protected]:... 同步到自定义 GitHub 仓库。它提供 /search 搜索消息与智能体、/skills 查看技能、/sleeptime 配置周期性 dreaming、/doctor 审计记忆质量，以及 /palace 查看记忆。借助 letta server --env-name "..."，可注册远程执行环境，再用 letta -p --agent <agent-id> --environment "..." "..." 向指定环境中的智能体发送无界面消息。
- 需要让项目助手跨多次对话保存工作上下文，并能逐步调整记忆和技能的开发者。
- 希望在终端、本地桌面应用、浏览器和 Slack 之间切换，但持续与同一智能体协作的个人或团队。
- 需要用 heartbeats 或 crons 让智能体持续处理主动任务的自动化使用者。
- 拥有笔记本、云端 VM 或 Mac Mini，想把同一智能体路由到不同执行机器的工程团队。
- 希望把智能体上下文以 Git 跟踪并同步到自定义 GitHub 仓库的开发者。
这个 Agent 有哪些优点和局限？
- 将记忆块、技能、提示词和 mods 纳入可重写的长期状态，适合需要持续演化而非一次性会话的智能体。
- 同一智能体可通过 CLI、桌面端、浏览器、移动浏览器及多种消息渠道访问。
- MemFS 以 Git 跟踪全部上下文，并支持同步到自定义 GitHub 仓库。
- 提供子智能体、异步或同步调用、钩子、消息搜索及自管理计划任务等可组合机制。
- 需自行配置 OpenAI、ChatGPT、Anthropic 或 Z.ai coding plan 等 LLM API 密钥，README 未说明各提供商的费用或额度。
- 远程多环境、Letta Cloud 和 secrets 功能要求登录 Letta；这些能力不属于纯本地离线流程。
- 运行环境、权限规则、钩子和技能都需要配置，长期自主运行的行为边界需由使用者自行治理。
- README 未给出 Windows、Linux 或 macOS 的 CLI 运行时前置条件、资源消耗或生产级故障恢复细节。
如何安装或部署这个 Agent？
安装：npm install -g @letta-ai/letta-code。进入项目目录后运行 letta；也可用 letta --new-agent --personality tutorial 启动教程智能体。首次使用时运行 /connect 配置自己的 LLM API 密钥，然后用 /model 选择模型。需要使用 Letta Cloud、跨机器环境或 secrets 时，在 CLI 执行 /login 或在桌面应用中登录 Letta 账户。
如何使用这个 Agent？
在项目目录启动 letta 后直接与智能体交互。使用 /skills 检查已加载的全局、项目或智能体技能；使用 letta skills install <skill> 安装外部技能，并以 letta skills list --agent <agent-id> 查看指定智能体的技能。若需远程运行，在目标机器执行 letta server --env-name "work-laptop"，以 letta environments list --online-only 查找在线环境，再使用 --environment "work-laptop" 路由消息。
常见问题
是否必须使用 Letta Cloud？
支持哪些模型提供方？
/connect 明确列出 OpenAI、ChatGPT、Anthropic 和 Z.ai coding plan，且可通过 /model 切换模型。智能体的记忆如何保存和迁移？
/memory-repository set [email protected]:... 同步到自定义 GitHub 仓库。能否让智能体定时主动工作？
/sleeptime 配置周期性 dreaming。