如何让AI拥有长期记忆：MemGPT（Letta）构建有状态智能体的完整指南

如何让AI拥有长期记忆：MemGPT（Letta）构建有状态智能体的完整指南

【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPT

做长对话时你是否遇到过这种情况：刚把自己的背景和需求解释完，对话一长 AI 又“失忆”了，只能从头再来？MemGPT（现名 Letta）是一个围绕记忆管理构建的开源有状态智能体平台，它用操作系统式的分层内存，让 AI 拥有跨会话持久、能随时间学习的长期记忆。

📌 项目定位：给 AI 装一套“记忆系统”

一句话概括：MemGPT 为大语言模型提供长期记忆管理能力。它不是某个聊天应用，而是一个“有状态”的 agent 平台——代理的身份、记忆、对话历史都会持久化保存，第二天重启后它依然记得你，并能在此基础上继续学习和自我改进。

MemGPT Letta 界面截图：左侧为对话窗口，右侧展示核心记忆编辑与智能体管理面板

上图是项目的 ADE（Agent Development Environment）界面：左边与智能体对话，右边可以直接查看和编辑它的核心记忆，这是理解 MemGPT 记忆模型最直观的方式。

🧠 为什么大模型需要“长期记忆”

上下文窗口相当于模型的“短期记忆”：容量有限，塞满之后早期信息就会被挤掉。传统做法通常是每次把全部历史硬塞进提示词（token 成本爆炸），或自己维护一套数据库、手动检索相关片段拼进 prompt——后者本质上是在自己写一套记忆系统，检索策略、记忆分区、更新时机全得自己设计。

MemGPT 的差异在于把记忆管理做成了系统能力：

• 代理自己管理记忆：由模型判断哪些对话内容值得转成长期记忆、哪些该压缩、哪些该归档；
• 记忆分层：常驻上下文的核心记忆与存放在外部的归档记忆分开，模拟操作系统的“内存—磁盘”层级；
• 状态持久化：agent 由真实数据库支撑，重启不会“人格清零”。

⚙️ 它是怎么工作的：一套类似操作系统的内存分层

如果熟悉操作系统，MemGPT 的设计会很好理解。它借用了 OS 的分层内存思想——支撑它的 2023 年论文标题就叫《MemGPT: Towards LLMs as Operating Systems》，核心主张是把 LLM 当操作系统来设计：

MemGPT 多智能体管理截图：展示不同角色的智能体配置及其记忆设定

每一轮对话的流程大致是：模型带着核心记忆应答 → 评估“这段对话是否产生了值得长期记住的信息” → 通过工具调用把信息写进合适的记忆层；上下文快满时，较早的消息被摘要后移入召回记忆。这些类似操作系统的“换页”动作由 agent 自己完成，业务侧不需要写额外的记忆代码。

🚀 三步完成上手

这个仓库是项目的官方落地页（V1 时代源码保留在 archive 分支，当前开发已迁移到 Letta Code 生态）。最快的体验路径是官方 CLI：

第一步，克隆仓库浏览文档与项目说明，了解各组件的使用边界：

git clone https://gitcode.com/GitHub_Trending/me/MemGPT

第二步，安装 Letta Code CLI（要求 Node.js 22.19 及以上版本），这一步把带记忆能力的 agent 运行时装进环境：

npm install -g @letta-ai/letta-code

第三步，运行letta启动交互式终端 agent：

letta

执行后终端里会出现一个本地持久化记忆的代理，直接和它对话，它对“你”的记忆会持续沉淀在这套系统里。另外运行letta server可以启动 App Server，用于自托管 agent 服务。

🗂️ 三种最常见的用法

1. 个人助理/知识伙伴：让 agent 记录你的偏好、项目进展与决策历史，每次打开它都已知道“你是谁、在做什么”，无需反复交代背景。
2. 带长期记忆的客服：客服代理记住用户的历史问题与工单上下文，新会话可直接引用之前的结论，用户不必复述情况。
3. 多智能体协作：通过 ADE 或 SDK 创建不同 persona 的多个 agent，各自拥有独立记忆，分别承担“代码评审”“数据分析”等角色。

MemGPT 浅色主题界面截图：展示简洁的对话交互与记忆管理布局

🔍 最值得看的三处源码

• letta/agent.py：智能体的主循环，能看到“对话应答”和“维护记忆的工具调用”是如何交织执行的；
• letta/functions/：核心记忆读写、归档记忆搜索等工具的定义，也就是模型管理记忆时使用的“手”；
• letta/config.py：全局配置，是了解服务端存储与部署方式最快的入口。

需要说明：这些文件属于已归档的 V1 服务端，当前实现在 Letta Code 仓库中，但 V1 的记忆模型仍是学习这套分层内存设计的完整素材。

适合谁、值不值得上手

如果你正在做 AI 助理、客服系统或需要长期运行的 agent，核心痛点是“模型记不住事”，MemGPT（Letta）值得认真看：分层存储、主动更新、跨会话持久化都以系统能力提供，你只需要专注业务逻辑。如果目标是理解“LLM 的记忆应该怎么管理”，它也是目前最完整的开源范本。从上面三条命令跑通第一个有记忆的终端 agent 开始，再按兴趣深入源码即可。

【免费下载链接】MemGPTPlatform for stateful agents: AI with advanced memory that can learn and self-improve over time.项目地址: https://gitcode.com/GitHub_Trending/me/MemGPT