Letta Code：让 AI 把项目习惯写进可查看的记忆

让 AI 连续维护一个项目，常见的重复劳动是：上次已经讲过的目录约定、包管理器和交付习惯，新一轮工作又要说一遍。Letta Code 想把这些经验保存下来，让同一个智能体在后续对话中继续使用；而且，记忆是可以查看、修改并追踪版本的文件。

先认准现在的项目入口：Letta 原名 MemGPT，旧仓库目前指向 letta-ai/letta-code；旧 V1 API 服务端保留在历史分支，已经退役。当前应了解的是 Letta Code 及其记忆机制，不能继续沿用旧服务端的接入教程。来源：Letta 当前入口说明

一句“记住”，之后发生什么

官方文档用了一个很具体的例子：要求智能体记住“这个仓库始终使用 pnpm”。输入指令后，智能体判断这条经验该放在哪里，更新 MemFS 记忆，并提交保存；用户可以在记忆入口或文件目录里查看它留下了什么。来源：Memory & dreaming 文档

下图就是这段官方文档的真实截图：中间是明确教学的指令，下面说明如何回看保存结果。它不是编辑运行 Letta 后截取的终端，也不能用来证明中文指令的执行效果。

编辑真实截图：Letta 公开官方文档，未改写页面内容。打开原图。

换成一个中文项目教学情境，可以把“这个仓库用 pnpm”交给智能体保存，再查看它是否记成了仅适用于当前项目的规则。之后继续做修改时，这条约定才有机会作为长期上下文参与工作。这里描述的是使用思路，并未实际执行；不能据此保证它此后每一次都会选对工具。

我更看重的是中间的“回看”一步。用户不必只靠下次回答是否听话来猜测记忆是否生效，还可以检查规则本身：有没有遗漏适用范围，有没有把一次临时选择记成长期习惯。记忆内容可见，纠正才有具体对象。

MemFS 是由 Git 管理的记忆文件系统。当前文档说明，记忆根目录的文件会在每轮进入系统提示，适合放身份、关键偏好和长期项目事实；带有自己索引文件的子目录则按需读取，根索引负责指路。来源：MemFS 文档

这使“记得更多”有了层次：包管理器这类经常影响动作的约定，可以放在经常读取的位置；较长的项目参考资料，可以留在有索引的目录中，需要时再打开。它并非把所有聊天记录无限塞进上下文，也不会因为文件存在就自动完成理解。

版本记录同样重要。改动提交后，能追溯规则怎样变化；云端保存的智能体可以同步记忆到其他电脑，本地模式则需要用户自己做好备份。当前 MemFS 默认也没有语义或向量索引，普通文件查找是基础方式；不能把其他记忆产品的检索机制直接套在它身上。

Letta 还有名为 dreaming 的后台整理机制，会回顾近期对话、归纳有用经验并更新记忆。可以按工作步骤或上下文压缩等时机配置触发。它适合把“这次工作里学到了什么”整理成以后可读的材料，但后台整理会使用额外模型用量，保存的结论也可能需要修正。

因此，更合理的期待是逐步积累项目经验，而不是把“会改写记忆”理解为模型已经重新训练，或者必然越用越准确。对长期项目而言，能检查和纠正一条经验，往往比笼统的“永久记忆”更有帮助。

当前 Letta Code 可以从终端、浏览器等入口使用，也有本地与云端模式；云端会保存智能体的记忆、身份与对话。代码采用 Apache-2.0 许可，模型服务及托管使用条件另行计算。来源：Letta Code 项目与许可

如果你只是偶尔提一个独立问题，未必需要维护这样的智能体。如果你在同一项目里反复协作，愿意把规则当成可维护的资料，Letta Code 提供的价值就很明确：把口头纠正留下来，让下一次工作有可查的起点。