Letta

تُعد Letta منصة مفتوحة المصدر لبناء وكلاء ذكاء اصطناعي يحتفظون بالحالة (stateful)، مما يعني وكلاء يتذكرون ويتعلمون ويتكيفون عبر الجلسات بدلاً من إعادة التعيين إلى الصفر مع كل محادثة. تم إنشاؤها بواسطة Charles Packer و Sarah Wooders، باحثي الدكتوراه في Berkeley من Sky Computing Lab، ونشأت من مشروع أبحاث MemGPT الذي نُشر لأول مرة في أكتوبر 2023. خرجت الشركة، Letta AI, Inc.، من مرحلة التخفي في 23 سبتمبر 2024 بجولة تمويل تأسيسية بقيمة 10 ملايين دولار بقيادة Felicis، بتقييم يُقدر بـ 70 مليون دولار. ومن بين المستثمرين الملائكيين البارزين Jeff Dean (كبير العلماء في Google DeepMind)، و Clem Delangue (الرئيس التنفيذي لشركة HuggingFace)، و Robert Nishihara (المؤسس المشارك لشركة Anyscale). جمع مستودع Apache 2.0 أكثر من 22,400 نجمة على GitHub ووصل إلى إصداره v0.6.7 في مارس 2026.

يتمثل الابتكار الأساسي لإطار العمل في نموذج ذاكرة ثلاثي المستويات مستوحى من أنظمة التشغيل: الذاكرة الأساسية (نشطة دائماً في نافذة سياق LLM، مثل ذاكرة الوصول العشوائي RAM)، والذاكرة الأرشيفية (مخزن متجهات قابل للبحث للتخزين البارد طويل المدى، مثل القرص الصلب)، وذاكرة الاستدعاء (سجل المحادثات المفهرس). لا يتلقى الوكلاء السياق المحقون بشكل سلبي؛ بل يستدعون وظائف إدارة الذاكرة أثناء حلقات التفكير الخاصة بهم لنقل المعلومات بين المستويات. هذا التعديل الذاتي للذاكرة هو الميزة المعمارية المُحددة التي تفصل Letta عن طبقات الذاكرة الإضافية مثل وحدات ذاكرة LangChain. يُطبق المنتج الرائد، Letta Code، هذه البنية على وكلاء البرمجة، محققاً المرتبة الأولى بين الوكلاء مفتوحي المصدر المستقلين عن النماذج على Terminal-Bench. تدعم المنصة حزم تطوير البرمجيات (SDKs) لـ Python و TypeScript، وواجهة برمجة تطبيقات REST، وبيئة تطوير وكلاء قائمة على الويب لتصحيح الأخطاء، بالإضافة إلى عمليات النشر المستضافة سحابياً والمستضافة ذاتياً بالكامل.

ما الذي تفعله Letta فعلياً في أبريل 2026

تقدم Letta منتجين متميزين مبنيين على نفس إطار العمل الأساسي. الأول هو Letta API، وهي منصة من جانب الخادم لنشر وإدارة الوكلاء المستمرين على نطاق واسع. يقوم المطورون ببناء الوكلاء برمجياً، وإرفاق كتل الذاكرة، وربط الأدوات، والاستعلام عن الوكلاء عبر REST. يحتفظ الوكلاء بكتل ذاكرة أساسية منفصلة لمجالات المعرفة المختلفة، وكل كتلة قابلة للتعديل بواسطة الوكيل أثناء التشغيل. تخزن الذاكرة الأرشيفية سجلاً قابلاً للبحث يمكن الوصول إليه عبر الاستعلامات الدلالية، بحيث يمكن لوكيل تم نشره لأشهر استرداد الحقائق من تفاعلاته الأولى دون أن تشغل تلك الحقائق نافذة السياق بشكل دائم.

المنتج الثاني هو Letta Code، وهو وكيل برمجة يعطي الأولوية للذاكرة، ويُقدم كتطبيق سطح مكتب، وأداة سطر أوامر (CLI)، وحزمة تطوير برمجيات (SDK). يعمل محلياً باستخدام مفاتيح API الخاصة بك أو اشتراكات النماذج الحالية. يتتبع Letta Code اصطلاحات المشروع، والقرارات المعمارية، وجلسات تصحيح الأخطاء السابقة عبر كل محادثة، مما يبني ذاكرة خاصة بالمشروع تتطور مع قاعدة التعليمات البرمجية. تتيح واجهة برمجة تطبيقات المحادثات (Conversations API) التي تمت إضافتها في يناير 2026 ذاكرة وكيل مشتركة عبر تجارب متوازية مع مستخدمين متعددين، مما يسمح لعدة أشخاص بالتفاعل مع نفس الوكيل مع الحفاظ على سياق متماسك عبر المستخدمين. في مارس 2026، أتاحت البيئات عن بُعد (Remote Environments) وصول الوكيل عبر أجهزة متعددة من خلال أمر letta server.

أسست ورقة MemGPT البحثية (arXiv:2310.08560، أكتوبر 2023) رسمياً لنموذج LLM-as-Operating-System (النموذج اللغوي الكبير كنظام تشغيل). وقد حصدت أكثر من 154 استشهاداً أكاديمياً في غضون عامين وقدمت المفردات المعمارية التي يستخدمها المجال الآن: نافذة السياق كذاكرة وصول عشوائي (RAM)، والتخزين الخارجي كقرص صلب، وإدارة الذاكرة القائمة على المقاطعة. انتقل تأثير الورقة من المجال الأكاديمي إلى التجاري مباشرة من خلال تغيير العلامة التجارية إلى Letta وتأسيس الشركة.

"التمييز بين عديم الحالة (stateless) والمحتفظ بالحالة (stateful) الذي أبرزته هو نقطة القرار الحاسمة. اختر النموذج الذي يتطابق مع حالة الاستخدام الخاصة بك منذ البداية." - Ezra، قائد الدعم في Letta، منتدى مجتمع مطوري Letta، 2025

موقع Letta مقارنة بـ LangGraph و Mem0

تحل LangGraph و Letta مشكلات متقاربة ولكنها متميزة. تصمم LangGraph سير عمل الوكلاء كرسوم بيانية موجهة: العقد هي وكلاء أو وظائف، والحواف تحدد التوجيه الشرطي، ويتدفق كائن حالة مشترك عبر تسلسل التنفيذ. ميزة الاستمرارية البارزة فيها هي إنشاء نقاط حفظ (checkpointing) عند كل انتقال للحالة، مما يتيح تصحيح الأخطاء عبر الزمن، والموافقات التي تتطلب تدخلاً بشرياً، والتعافي من الفشل في منتصف التنفيذ. تعتمد ذاكرة LangGraph على الحالة، مما يعني أنها تنتقل مع التنفيذ؛ بينما تعتمد ذاكرة Letta على التخزين، مما يعني أنها موجودة بشكل مستقل عن أي دورة تنفيذ واحدة. تُعد LangGraph الخيار الأفضل عندما تكون مشكلتك عبارة عن سير عمل شرطي معقد مع العديد من الفروع وبوابات الموافقة الصريحة. بينما تُعد Letta الخيار الأفضل عندما تكون المشكلة عبارة عن وكيل طويل الأمد يحتاج إلى تجميع المعرفة وتطويرها على مدار أشهر من التشغيل. الإطاران ليسا متنافسين بشكل صارم؛ فغالباً ما تقوم الفرق التي تشغل LangGraph بدمج أساسيات الذاكرة على غرار Letta بشكل منفصل، على الرغم من أن القيام بذلك يتطلب تعليمات برمجية مخصصة للربط. تضيف حزمة LangMem SDK من LangChain (التي تم إصدارها في أوائل 2025) أنواعاً من الذاكرة العرضية والدلالية والإجرائية إلى LangGraph، ولكن هذه إضافات معيارية وليست أصلية في حلقة التنفيذ، ولا توفر آلية التعديل الذاتي للوكيل التي تُعد المساهمة الأساسية لـ Letta.

تُعد Mem0 المنافس المباشر الأبرز على محور الذاكرة تحديداً. تعمل كخدمة ذاكرة مستقلة مع واجهة برمجة تطبيقات تعتمد على استدعاءين: add() لتخزين المحادثة أو إدخال المستند، و search() للاسترداد عن طريق التشابه الدلالي. الاختلاف المعماري الحاسم هو الاستقلالية (agency): تستخرج Mem0 الذكريات بشكل سلبي مما تغذيها به؛ بينما يقرر وكلاء Letta بنشاط ما يجب تذكره عن طريق استدعاء وظائف الذاكرة بأنفسهم أثناء التفكير. هذا يعني أن جودة ذاكرة Mem0 مقيدة بمسار الاستخراج الخاص بها، في حين أن جودة Letta مقيدة بجودة تفكير الوكيل (وقدرة النموذج). تستغرق Mem0 حوالي عشر دقائق للاندماج في حلقة وكيل حالية؛ بينما تتطلب Letta اعتماد المنصة بالكامل. في معيار LongMemEval، تضع الاختبارات المستقلة Letta عند دقة تبلغ حوالي 83.2% مقابل 49.0% لـ Mem0، وهي فجوة كبيرة في مهام الاسترداد طويلة الأمد. تكلفة التبديل إلى Mem0 منخفضة، حيث تستبدل بضعة استدعاءات API؛ بينما تكلفة التبديل إلى Letta عالية، وتستغرق واقعياً من أسبوعين إلى ستة أسابيع لإعادة بناء حلقة الوكيل، وتنفيذ الأدوات، وإدارة الحالة لمشروع متوسط التعقيد. بالنسبة للفرق التي تبني CrewAI أو غيرها من مسارات العمل الأصلية لإطار العمل والتي تحتاج فقط إلى "تذكر المستخدم"، فإن واجهة برمجة التطبيقات الضيقة لـ Mem0 هي الخيار العملي. أما بالنسبة للفرق التي يكون منتجها الأساسي هو ذاكرة الوكيل المتطورة وسلوكه، فإن بنية Letta هي خيار الإنتاج الوحيد بهذا المستوى من العمق.

"لم تصبح Letta جاهزة للإنتاج بعد للتطبيقات ذات المهام الحرجة. تعتمد الفعالية بشكل كبير على قدرات LLM الأساسية." - Calvin Ku، منصة Medium (Asymptotic Spaghetti Integration)، 2025

كيف يبدو واقع حلقة الوكيل

يتبع نشر وكيل Letta سير عمل متسق. تقوم بإنشاء وكيل بشخصية أولية وكتلة ذاكرة بشرية. أثناء تفاعل الوكيل مع المستخدمين، يستدعي أدوات الذاكرة لتحديث ذاكرته الأساسية في الوقت الفعلي، ونقل المحتوى الطويل إلى التخزين الأرشيفي، واسترداد السياق السابق ذي الصلة عبر البحث الدلالي. يحدث هذا ضمن كل دور محادثة، وليس كمهمة في الخلفية. الوكيل هو مؤلف ذاكرته الخاصة، وليس مستفيداً سلبياً من عملية استخراج خارجية. هذه هي نقطة قوة البنية وهيكل تكلفتها في نفس الوقت: تستهلك كل عملية ذاكرة رموز LLM (tokens)، مما يكسر التخزين المؤقت للمطالبات (prompt caching) ويضيف زمن انتقال (latency).

توفر بيئة تطوير الوكلاء (Agent Development Environment) مصحح أخطاء مرئي يعرض حالة الذاكرة، واستدعاءات الأدوات، وتتبعات التفكير في الوقت الفعلي، مما يقلل بشكل كبير من وقت تصحيح الأخطاء مقارنة بفحص API الخام. تدعم المنصة أيضاً تكوينات متعددة الوكلاء حيث يتشارك وكلاء متخصصون متعددون في كتلة ذاكرة مشتركة، وهو أمر مفيد لمساعدي الأبحاث، أو إدارة المعرفة المؤسسية، أو أنظمة دعم العملاء التي تحتاج إلى استمرارية عبر الجلسات.

يضيف Letta Code، وهو الإصدار المخصص للبرمجة، إدارة ذاكرة خاصة بالمشروع. تتيح أوامر مثل /init و /remember للمطورين تعليم الوكيل حقائق صريحة حول قاعدة التعليمات البرمجية. بين الجلسات، يقوم ضغط الذاكرة بتشغيل دمج في الخلفية لمنع تضخم نافذة السياق. تحتل المنصة المرتبة الأولى على Terminal-Bench بين وكلاء البرمجة مفتوحي المصدر المستقلين عن النماذج، على الرغم من أنها تتنافس في فئة أضيق من مسارات بيانات LlamaIndex أو تحسين برامج DSPy، وكلاهما يحل طبقات مختلفة من مكدس الوكيل.

لمن صُممت Letta

تم تصميم Letta لمهندسي تعلم الآلة (ML) ومطوري الواجهة الخلفية الذين يبنون وكلاء حيث تكون الهوية المستمرة والذاكرة المتطورة ميزات على مستوى المنتج، وليست تفاصيل تنفيذية. المستخدم النموذجي هو من يبني مساعد أبحاث يحتاج إلى تذكر ستة أشهر من ملخصات الأوراق البحثية، أو وكيل دعم عملاء يجب أن يتذكر كل تفاعل سابق مع كل مستخدم، أو مساعد برمجة يتكيف مع اصطلاحات فريق معين وتاريخ الأخطاء. هذه هي حالات الاستخدام حيث تكون الذاكرة هي المنتج، وليست حالة جلسة عرضية. يكافئ إطار العمل الفرق المستعدة للالتزام ببنيته: تتعامل Letta مع حلقة الوكيل، وتنفيذ الأدوات، وتوجيه الذاكرة، وطبقة الاستمرارية مقابل امتلاك تلك المكونات من البداية إلى النهاية.

سيجد الباحثون والأكاديميون الذين يستكشفون إدراك الوكلاء أن البنية واضحة بشكل خاص. يتوافق النموذج ثلاثي المستويات مباشرة مع إدارة ذاكرة أنظمة التشغيل الكلاسيكية، وتوفر بيئة ADE تتبعات تفكير مرئية، ويعني ترخيص Apache 2.0 الوصول الكامل لتعديل ودراسة الأجزاء الداخلية. تشير دورة "مقدمة إلى وكلاء الذكاء الاصطناعي مع Letta" من Codecademy إلى تزايد الاعتماد في السياقات التعليمية. ستقدر الفرق التي تستخدم بالفعل Pydantic AI أو أطر عمل Python المكتوبة الأخرى تصميم حزمة تطوير البرمجيات (SDK) من Letta الذي يعطي الأولوية لـ Python، على الرغم من وجود دعم لـ TypeScript للفرق التي تعتمد على الويب.

ما لا تمثله Letta

Letta ليست وحدة ذاكرة جاهزة للتشغيل الفوري (plug-and-play). لا يمكنك إضافة ذاكرة Letta إلى سير عمل LangGraph أو AutoGen حالي في فترة ما بعد الظهيرة؛ إما أن تعتمد المنصة بالكامل أو لا تعتمدها. تواجه الفرق ذات بنيات الوكلاء الراسخة من أسبوعين إلى ستة أسابيع من إعادة هيكلة التعليمات البرمجية (refactoring) للترحيل، وهذه التكلفة حقيقية. لا تبدأ مع Letta إذا كنت غير متأكد مما إذا كانت حالة الاستخدام الخاصة بك تتطلب استمرارية ذاكرة طويلة الأمد؛ تُعد واجهة برمجة تطبيقات Mem0 الأضيق نقطة انطلاق أقل خطورة لهذا التقييم.

Letta ليست ناضجة لمزودي النماذج بخلاف OpenAI. توثق مشكلات GitHub ومواضيع المنتديات معدلات خطأ تزيد عن 90% عند استخدام النماذج المحلية عبر Ollama أو LiteLLM. تقترح أدوات التكوين مجموعة افتراضية ضيقة من أغلفة النماذج دون مسار واضح للنماذج الأحدث. لقد تحسن هذا عبر الإصدارات الأخيرة ولكنه لا يزال دون حل للفرق الملتزمة بعمليات النشر المحلية بالكامل أو ذات الأوزان المفتوحة. إذا كانت مجموعة التقنيات الخاصة بك تعتمد على Ollama أولاً، فتوقع احتكاكاً ووقتاً لتصحيح الأخطاء لا تعدك الوثائق له بشكل كافٍ.

Letta ليست مسار بيانات كاملاً أو إطار عمل RAG. بالنسبة لاستيعاب المستندات، وتقسيمها، وتضمينها، واستردادها على نطاق واسع، تظل LlamaIndex الحل الأكثر اكتمالاً. تغطي الذاكرة الأرشيفية لـ Letta طبقة الاسترداد ولكن ليس مسار المعالجة المسبقة. تستخدم الفرق التي تبني تطبيقات كثيفة المستندات عادةً Letta لذاكرة الوكيل ومكتبة استرداد مخصصة للبحث في المستندات.