基于 Letta 的工程助手:自我更新的记忆、归档搜索与可移植的工作流

16 十一月 20260 视图

本文介绍如何构建一个能够自主管理主记忆块、访问向量档案并调用确定性工具的智能体;还将分别探讨多个智能体的共享状态、流式输出,以及将工作流导出为可移植文件。

基于 Letta 的工程助手:自我更新的记忆、归档搜索与可移植的工作流

助手的用途

本教程将构建一个具备状态持久化能力的工程助手,使用 Letta。该智能体的描述为“具备可检查长期记忆的工程协作助手”。其架构融合了记忆、搜索、工具、多智能体交互和执行轨迹。

标准:该助手适用于具备状态持久化能力且长期记忆可检查的工程任务。

主记忆块与自我更新

主记忆由四个可检查的块组成。智能体可以自行更新这些块。

代码定义了四个块,每个块都有不同的默认值和上限。

块内容默认值上限
persona“我是 Mnemo,一名工程协作助手。我言简意赅、注重实际,而且绝不编造事实——如果我不知道某件事,我会如实说明,然后去查找。”—3000
human工程师的稳定信息:姓名、职位、技术栈、偏好和工作风格。目前未知。3000
project_state项目的当前状态:阶段、阻碍因素、决策及其依据。(空)5000
lessons吸取的经验和不应重犯的错误;格式为每条经验一行。(空)2000

标准:各记忆块分别记录智能体角色、工程师档案、项目状态和吸取的经验。上限为每个块设定边界。

嵌入模型、标签和模型配置

代码为智能体指定 embedding openai/text-embedding-3-small。代码设置标签 ["tutorial", "copilot"]。代码列出了首选模型:openai/gpt-4.1、openai/gpt-4o-mini、anthropic/claude-sonnet-4-20250514。系统会从列表中选择第一个可用模型。如果一个都找不到,系统就采用检索到的第一个模型。

标准:列表顺序决定优先级。备用选项是检索到的第一个模型。

程序化访问与智能体协作

对记忆块进行程序化访问可解决两个问题。

  • 状态同步;
  • 多个智能体之间共享。

访问对象是主记忆块。

标准:需要通过共享记忆块来同步智能体之间的状态。

归档记忆与语义搜索

归档向量记忆用于语义搜索。它是助手架构的一部分。

标准:归档搜索用于针对累积数据进行语义查询。

服务器端风险评估工具与流式执行

自定义服务器端工具可执行确定性风险评估。执行流式传输也是助手架构的一部分。

标准:风险评估需要采用确定性逻辑的服务器端工具。执行过程需要流式传输。

服务器端历史记录与可移植场景

服务器端消息历史记录支持持久对话。导出 .af 可确保可移植性。

标准:持久对话需要服务器端历史记录。要移植场景,需要导出 .af。

常问问题

基于 Letta 的工程助手:自我更新的记忆、归档搜索与可移植的工作流