Letta Code: AI-агент с долговременной памятью, который помнит проект между сессиями
Обычный coding-agent хорошо работает внутри одной сессии, но новый чат часто снова начинается с объяснения структуры проекта, правил и принятых решений. Letta Code строится вокруг противоположной идеи: агент имеет собственную identity и долговременную память, сохраняет полезные факты между разговорами, умеет перерабатывать накопленный опыт и переносить его между моделями и компьютерами.
У Letta основная сущность — долгоживущий агент, а не отдельный разговор
В обычной session-based архитектуре каждый новый чат почти независим: model получает system prompt, текущий history и, возможно, проектные инструкции. Letta привязывает conversations к persistent agent state. Агент может менять свою память по мере работы и использовать её в будущих разговорах.
Новый conversation не означает полную потерю накопленных project facts.
Agent может добавлять, исправлять и реорганизовывать durable information.
Можно менять provider/model, сохраняя memory и привычки агента.
MemFS можно инспектировать как обычные Markdown-файлы и Git history.
Старые статьи про MemGPT и Python Letta server больше нельзя применять буквально
Проект вырос из MemGPT и затем был переименован в Letta.
Но в 2026 произошёл ещё один архитектурный переход:
основной repository letta-ai/letta теперь прямо сообщает,
что current source находится в letta-ai/letta-code.
Исследовательская идея persistent agents и memory management.
Сохранён в archive branch; старые 0.16.x tags доступны только для reproducibility.
Agent harness, CLI, desktop/web runtime, channels и App Server.
Официальный Docker image предупреждает: retired Python server end-of-life, security updates для него больше не выходят, а старую PostgreSQL data directory нельзя просто смонтировать в новый current image как совместимое состояние.
Память — это git-backed filesystem с Markdown-файлами, а не скрытая «магия»
Current Letta использует MemFS — memory filesystem, которое проект также называет context repository. Память хранится в Markdown с YAML frontmatter, а изменения versioned через Git.
---
description: "Рабочие правила проекта"
---
- Использовать pnpm.
- Не менять production schema без migration.
- Перед release запускать integration tests.system/
Всегда в контексте
identity, durable preferences, критические правила, активный project context
skills/
Procedural memory
повторяемые workflows, scripts, инструкции
reference/ и другие файлы
On-demand
история проекта, длинные заметки, справочные материалы
В system/ остаётся только то, что должно быть видно на каждом turn.
Объёмные reference notes хранятся отдельно и подгружаются по необходимости.
System memory нужно держать короткой, иначе долговременная память сама начинает мешать
system/
Всегда загружается в prompt. Сюда — identity, правила и то, что влияет почти на каждый ответ.
Подключается, когда нужен конкретный workflow.
В tree видны постоянно, full content читается только при необходимости.
Практический пример
Короткое правило нужно практически постоянно.
Не нужно тратить system tokens на каждом turn.
Procedural инструкция нужна только перед выпуском версии.
Агент, который «помнит всё», но хранит дубли, устаревшие решения и противоречивые правила, может работать хуже чистого session-based agent.
Letta умеет перерабатывать недавние разговоры в долговременную память в фоне
В current docs механизм называется dreaming и развивается из research-направления sleep-time compute. Background subagents анализируют недавние conversations, консолидируют полезные lessons и обновляют MemFS, не занимая основной active turn.
Dreaming можно конфигурировать через /sleeptime.
Оно может срабатывать после определённого количества сообщений
или в момент compaction context window.
Периодически просматривайте memory viewer или Git history MemFS. Особенно важные правила лучше формулировать явно и проверять после сохранения.
Установка Letta Code
Current quickstart требует Node.js 18+.
npm install -g @letta-ai/letta-code
letta
При первом запуске CLI предлагает authenticate,
после чего через /connect можно подключить model providers/coding plans,
а через /model — менять модель.
Запуск tutorial agent
letta --new-agent --personality tutorialОсновной terminal workflow.
GUI поверх тех же persistent agents.
Cloud-connected agent можно продолжить в web/mobile.
letta server
Self-host/local App Server для собственных integrations.
Инициализируем память проекта, затем явно учим durable rules
cd my-project
letta1. Bootstrap project memory
/initAgent исследует repository, может уточнить working style и сформировать начальную memory hierarchy.
2. Явно сохранить правило
/remember перед каждым release запускать integration testsAgent сам выбирает подходящее место в MemFS и коммитит memory update.
3. Проверить здоровье памяти
/doctor
Current docs рекомендуют /doctor,
если hierarchy разрослась, появились дубли
или system prompt начал тратить слишком много tokens.
Сформировать стартовый context repository.
Agent собирает опыт.
Зафиксировать критически важные durable lessons.
Консолидировать менее явные lessons автоматически.
Проверить дубли и неправильное размещение.
Человек остаётся final reviewer важных правил.
Skills хранят не факты, а повторяемый способ выполнения задачи
Current Letta ecosystem использует знакомый format:
каждый skill содержит SKILL.md с YAML frontmatter,
а рядом могут лежать scripts, references и assets.
---
name: release-check
description: Use before publishing a new release
---
# Release Check
1. Run tests.
2. Check changelog.
3. Verify version.
4. Build artifact.
5. Review git diff.
Shared repository letta-ai/skills прямо заявляет совместимость
не только с Letta Code, но также с Claude Code, Codex CLI
и другими agents, понимающими skills format.
Facts, preferences, history, decisions.
Reusable procedure с scripts/references.
Более глубокое изменение поведения Letta Code.
Skill окупается, когда workflow действительно повторяется и должен одинаково выполняться в будущих conversations.
Identity и память не должны быть привязаны к одной LLM
Через /connect current Letta Code позволяет подключать
собственные providers/coding plans,
а /model меняет active model.
Repository и current runtime содержат поддержку нескольких provider families,
включая OpenAI/ChatGPT, Anthropic и ряд OpenAI-compatible/local paths.
Agent строит memory и решает сложные задачи.
Agent identity и MemFS остаются теми же.
Tool calling, context windows, reasoning fields и provider adapters отличаются. В 2026 issue tracker содержит реальные compatibility fixes для custom/OpenAI-compatible providers. Проверяйте конкретный model path перед production deployment.
Current App Server — это уже не старый Python API server
Самый простой current entrypoint:
letta serverДля container deployment официальный Docker image также умеет запускать current App Server. В current examples используется отдельный capability token и WebSocket endpoint.
openssl rand -hex 32 > app-server-token
chmod 600 app-server-token
docker run --rm \
--name letta-app-server \
-p 4500:4500 \
-v letta-state:/root/.letta \
-v letta-workspace:/workspace \
-v "$PWD/app-server-token:/run/secrets/app-server-token:ro" \
letta/letta:latest \
letta server \
--backend local \
--listen ws://0.0.0.0:4500 \
--ws-auth capability-token \
--ws-token-file /run/secrets/app-server-tokenReadiness check:
curl http://127.0.0.1:4500/readyzОфициальный Docker image прямо предупреждает: authentication token хранить в secret store, internet-facing deployment ставить за TLS и не публиковать unauthenticated server.
Letta поддерживает desktop/web и messaging channels
Windows, macOS и Linux.
Cloud agent доступен из браузера/mobile.
Local-backend channel server остаётся на вашей инфраструктуре.
Тот же persistent agent может жить в рабочем messenger.
После недель работы он может помнить agreed conventions и project history вместо того, чтобы каждый раз начинать с чистого system prompt.
Главное различие Letta Code и обычного coding-agent — persistence layer
Это не означает, что persistent agent автоматически пишет код лучше. Letta делает ставку на качество накопленного контекста и continuity, а конкретный coding result всё равно зависит от model, tools, tests и project discipline.
Ошибочное решение может сохраниться не на один turn, а стать частью будущего поведения
Agent с shell/filesystem access должен иметь approval boundary.
Критические правила и credentials не должны случайно становиться agent memory.
API keys хранить в keychain/env/secret store, а не в system memory.
Capability token + TLS/VPN для удалённого доступа.
Procedural memory может содержать исполняемые scripts.
Официальная security policy прямо говорит: archive branch unsupported и security fixes не получает.
Почему persistent memory добавляет новый класс ошибок
В обычном ephemeral chat плохая инструкция исчезает вместе с session. В stateful agent ошибочный lesson может быть записан в MemFS, затем использоваться через неделю и даже пережить смену model.
Git-backed MemFS здесь как раз полезен: важное изменение можно увидеть, понять источник и откатить.
Current Letta security policy направляет vulnerabilities через private disclosure и отдельно подчёркивает, что legacy V1 server security updates больше не получает.
Память агента — это дополнительная система, которую тоже нужно обслуживать
Старое правило может остаться после изменения architecture.
Одно решение может попасть в несколько memory files и начать противоречить само себе.
Слишком большой system/ постоянно расходует context window.
Ошибочный вывод может пережить текущую session.
Для разовых задач persistence layer не всегда оправдан.
Смена модели сохраняет memory, но не гарантирует идентичное tool/reasoning behavior.
Current architecture менялась заметно даже внутри 2026 года.
Auth, TLS, workspace permissions и updates становятся вашей ответственностью.
Letta особенно интересна в проектах, где один и тот же agent работает неделями или месяцами, и accumulated context действительно имеет ценность.
Где долговременная agent memory реально даёт преимущество
Agent помнит conventions, решения и release workflow.
Durable preferences и history между разговорами.
Постоянные runbooks и learned failure modes.
Не теряет рабочий контекст после каждого dialogue thread.
Сохраняет выводы, hypotheses и уже проверенные источники.
Можно менять provider, сохраняя ту же accumulated memory.
Letta Code: current source, MemFS, releases, Docker и security
Current Letta Code release — v0.32.15.
Старые releases основного letta repository относятся к retired V1 server
и не используются здесь как «latest current Letta».
Letta интересна не ещё одним UI для LLM, а тем, что делает память частью архитектуры агента
MemFS превращает long-term context в обычные файлы, которые можно читать, редактировать, version-control и проверять. Dreaming помогает консолидировать опыт, а skills отделяют procedural knowledge от фактической памяти.
Для долгоживущего проекта это сильнее обычной папки с одним AGENTS.md:
memory может расти, перестраиваться и частично подгружаться,
не превращая каждый turn в гигантский system prompt.
Частые вопросы про Letta, MemGPT и долговременную память
Letta и MemGPT — это одно и то же?
Letta выросла из MemGPT. Название MemGPT относится к исходной research/project линии; current product и runtime развиваются под брендом Letta.
Какой repository сейчас основной?
Current source находится в letta-ai/letta-code. Основной letta-ai/letta repository сохраняет историю и прямо направляет новые проекты в Letta Code.
Что такое MemFS?
Git-backed filesystem памяти агента. Память хранится в Markdown: system/ всегда находится в context, skills содержат procedures, остальные файлы читаются по необходимости.
Агент действительно помнит между новыми чатами?
Да, durable memory принадлежит persistent agent, а не одному conversation. Новый conversation может использовать ту же MemFS/identity.
Что делает /remember?
Позволяет явно сообщить агенту durable lesson; агент выбирает подходящее место в memory hierarchy и сохраняет изменение.
Что такое dreaming?
Background memory consolidation: subagents анализируют недавние conversations, выделяют полезные lessons и обновляют MemFS вне active turn.
Можно ли менять модель и сохранить память?
Да. Memory/identity отделены от конкретной model. Но качество tool calling и reasoning после смены provider может измениться.
Можно ли self-host?
Да. Current Letta Code имеет App Server и официальный Docker image. Удалённый server должен быть защищён capability token, TLS/VPN и ограниченными filesystem permissions.
Можно ли использовать старый Letta Docker server 0.16.x?
Для production — нет. Официальная security policy и Docker documentation называют legacy V1 unsupported/EOL и не получающим security updates.
Какая версия актуальна?
На 21 сентября 2026 года latest Letta Code release — v0.32.15.
Устали каждый новый чат заново объяснять агенту архитектуру проекта и рабочие правила?
Letta Code интересна именно как memory-first эксперимент: durable facts можно вынести в MemFS, повторяемые процедуры — в skills, а затем проверить, насколько это реально уменьшает повторное объяснение контекста.
