Letta

Letta es una plataforma de código abierto para crear agentes de IA con estado (stateful), es decir, agentes que recuerdan, aprenden y se adaptan a lo largo de las sesiones en lugar de reiniciarse a cero con cada conversación. Fue creada por Charles Packer y Sarah Wooders, investigadores de doctorado de Berkeley del Sky Computing Lab, y surgió del proyecto de investigación MemGPT publicado por primera vez en octubre de 2023. La empresa, Letta AI, Inc., salió del modo sigiloso (stealth) el 23 de septiembre de 2024 con una ronda semilla de $10 millones liderada por Felicis, con una valoración reportada de $70 millones. Entre los inversores ángeles destacados se encuentran Jeff Dean (Científico Jefe en Google DeepMind), Clem Delangue (CEO de HuggingFace) y Robert Nishihara (cofundador de Anyscale). El repositorio con licencia Apache 2.0 ha acumulado más de 22,400 estrellas en GitHub y alcanzó su versión v0.6.7 en marzo de 2026.

La innovación central del framework es un modelo de memoria de tres niveles inspirado en los sistemas operativos: memoria principal (siempre activa en la ventana de contexto del LLM, como la RAM), memoria de archivo (un almacén de vectores con capacidad de búsqueda para almacenamiento en frío a largo plazo, como un disco duro) y memoria de recuperación (historial de conversación indexado). Los agentes no reciben pasivamente el contexto inyectado; llaman a funciones de gestión de memoria durante sus bucles de razonamiento para mover información entre los niveles. Esta edición de memoria autodirigida es la característica arquitectónica definitoria que separa a Letta de las capas de memoria añadidas como los módulos de memoria de LangChain. El producto estrella, Letta Code, aplica esta arquitectura a los agentes de programación, logrando el primer puesto entre los agentes de código abierto agnósticos al modelo en Terminal-Bench. La plataforma es compatible con SDKs de Python y TypeScript, una API REST, un entorno de desarrollo de agentes (Agent Development Environment) basado en la web para la depuración, y despliegues tanto alojados en la nube como totalmente autoalojados.

Lo que Letta realmente hace en abril de 2026

Letta ofrece dos productos distintos construidos sobre el mismo framework subyacente. El primero es la API de Letta, una plataforma del lado del servidor para desplegar y gestionar agentes persistentes a escala. Los desarrolladores construyen agentes programáticamente, adjuntan bloques de memoria, conectan herramientas y consultan a los agentes a través de REST. Los agentes mantienen bloques de memoria principal separados para diferentes dominios de conocimiento, y cada bloque es editable por el agente durante su funcionamiento. La memoria de archivo almacena un historial con capacidad de búsqueda accesible mediante consultas semánticas, por lo que un agente desplegado durante meses puede recuperar datos de sus primeras interacciones sin que esos datos ocupen permanentemente la ventana de contexto.

El segundo producto es Letta Code, el agente de programación centrado en la memoria que se ofrece como aplicación de escritorio, herramienta CLI y SDK. Se ejecuta localmente utilizando tus propias claves API o suscripciones de modelos existentes. Letta Code rastrea las convenciones del proyecto, las decisiones arquitectónicas y las sesiones de depuración pasadas en cada conversación, construyendo una memoria específica del proyecto que evoluciona con el código base. Una API de Conversaciones añadida en enero de 2026 permite compartir la memoria del agente en experiencias paralelas con múltiples usuarios, permitiendo que varias personas interactúen con el mismo agente mientras este mantiene un contexto coherente entre usuarios. En marzo de 2026, los Entornos Remotos (Remote Environments) permitieron el acceso al agente entre dispositivos a través del comando letta server.

El artículo de MemGPT (arXiv:2310.08560, octubre de 2023) estableció formalmente el paradigma del LLM como Sistema Operativo. Obtuvo más de 154 citas académicas en dos años e introdujo el vocabulario arquitectónico que el campo utiliza ahora: la ventana de contexto como RAM, el almacenamiento externo como disco y la gestión de memoria impulsada por interrupciones. El impacto del artículo pasó de lo académico a lo comercial directamente a través del cambio de marca a Letta y la formación de la empresa.

"La distinción entre sin estado (stateless) y con estado (stateful) que destacaste es el punto de decisión crítico. Elige el paradigma que se adapte a tu caso de uso desde el principio." - Ezra, líder de soporte de Letta, foro de la Comunidad de Desarrolladores de Letta, 2025

Dónde se sitúa Letta frente a LangGraph y Mem0

LangGraph y Letta resuelven problemas adyacentes pero distintos. LangGraph modela los flujos de trabajo de los agentes como grafos dirigidos: los nodos son agentes o funciones, las aristas definen el enrutamiento condicional y un objeto de estado compartido fluye a través de la secuencia de ejecución. Su característica de persistencia más destacada es la creación de puntos de control (checkpointing) en cada transición de estado, lo que permite la depuración con viaje en el tiempo, las aprobaciones con intervención humana (human-in-the-loop) y la recuperación de fallos a mitad de la ejecución. La memoria de LangGraph se basa en el estado, lo que significa que viaja con la ejecución; la memoria de Letta se basa en el almacenamiento, lo que significa que existe independientemente de cualquier ciclo de ejecución individual. LangGraph es la mejor opción cuando tu problema es un flujo de trabajo condicional complejo con muchas ramas y puertas de aprobación explícitas. Letta es la mejor opción cuando el problema es un agente de larga duración que necesita acumular y evolucionar el conocimiento durante meses de operación. Los dos frameworks no son estrictamente competitivos; los equipos que ejecutan LangGraph a menudo integran primitivas de memoria al estilo de Letta por separado, aunque hacerlo requiere código puente personalizado. El SDK LangMem de LangChain (lanzado a principios de 2025) añade tipos de memoria episódica, semántica y procedimental a LangGraph, pero se trata de adiciones modulares en lugar de ser nativas del bucle de ejecución, y no proporcionan la mecánica de autoedición del agente que es la contribución central de Letta.

Mem0 es el competidor más directo en el eje específico de la memoria. Opera como un servicio de memoria independiente con una API de dos llamadas: add() almacena la entrada de conversaciones o documentos, search() recupera por similitud semántica. La diferencia arquitectónica crítica es la agencia: Mem0 extrae pasivamente recuerdos de lo que le proporcionas; los agentes de Letta deciden activamente qué recordar llamando ellos mismos a las funciones de memoria durante el razonamiento. Esto significa que la calidad de la memoria de Mem0 está limitada por su canal de extracción, mientras que la de Letta está limitada por la calidad de razonamiento del agente (y la capacidad del modelo). Mem0 tarda aproximadamente diez minutos en integrarse en un bucle de agente existente; Letta requiere adoptar la plataforma completa. En el benchmark LongMemEval, pruebas independientes sitúan a Letta en aproximadamente un 83.2% de precisión frente al 49.0% de Mem0, una brecha sustancial en tareas de recuperación a largo plazo. El coste de cambio de Mem0 es bajo, reemplazando unas pocas llamadas a la API; el coste de cambio de Letta es alto, de manera realista de dos a seis semanas para reconstruir el bucle del agente, la ejecución de herramientas y la gestión del estado para un proyecto de complejidad media. Para los equipos que construyen flujos de trabajo nativos de frameworks como CrewAI que solo necesitan "recordar al usuario", la reducida superficie de la API de Mem0 es la opción práctica. Para los equipos cuyo producto principal es la memoria y el comportamiento en evolución del agente, la arquitectura de Letta es la única opción de producción a este nivel de profundidad.

"Letta aún no está listo para producción en aplicaciones de misión crítica. Su eficacia depende en gran medida de las capacidades del LLM subyacente." - Calvin Ku, Medium (Asymptotic Spaghetti Integration), 2025

Cómo es la realidad del bucle del agente

El despliegue de un agente de Letta sigue un flujo de trabajo consistente. Se instancia un agente con una personalidad inicial y un bloque de memoria humana. A medida que el agente interactúa con los usuarios, llama a herramientas de memoria para actualizar su memoria principal en tiempo real, mover contenido extenso al almacenamiento de archivo y recuperar contexto pasado relevante mediante búsqueda semántica. Esto ocurre en cada turno de conversación, no como un trabajo en segundo plano. El agente es el autor de su propia memoria, no un beneficiario pasivo de un proceso de extracción externo. Esta es tanto la fortaleza de la arquitectura como su estructura de costes: cada operación de memoria consume tokens del LLM, rompiendo el almacenamiento en caché de los prompts (prompt caching) y añadiendo latencia.

El Entorno de Desarrollo de Agentes (Agent Development Environment) proporciona un depurador visual que muestra el estado de la memoria, las llamadas a herramientas y los rastros de razonamiento en tiempo real, lo que reduce significativamente el tiempo de depuración en comparación con la introspección directa de la API. La plataforma también admite configuraciones multiagente donde múltiples agentes especializados comparten un bloque de memoria común, útil para asistentes de investigación, gestión del conocimiento empresarial o sistemas de atención al cliente que necesitan continuidad entre sesiones.

Letta Code, la variante de programación, añade gestión de memoria específica del proyecto. Comandos como /init y /remember permiten a los desarrolladores enseñar explícitamente al agente datos sobre el código base. Entre sesiones, la compactación de memoria ejecuta una consolidación en segundo plano para evitar que la ventana de contexto se sature. La plataforma ocupa el primer lugar en Terminal-Bench entre los agentes de programación de código abierto agnósticos al modelo, aunque compite en una categoría más estrecha que los pipelines de datos de LlamaIndex o la optimización de programas de DSPy, ambos resolviendo diferentes capas de la pila del agente.

Para quién está diseñado Letta

Letta está diseñado para ingenieros de ML y desarrolladores backend que construyen agentes donde la identidad persistente y la memoria en evolución son características a nivel de producto, no detalles de implementación. El usuario típico está construyendo un asistente de investigación que necesita recordar seis meses de resúmenes de artículos, un agente de atención al cliente que debe recordar cada interacción pasada con cada usuario, o un asistente de programación que se adapta a las convenciones específicas y al historial de errores de un equipo. Estos son casos de uso donde la memoria es el producto, no un estado de sesión incidental. El framework recompensa a los equipos dispuestos a comprometerse con su arquitectura: Letta maneja el bucle del agente, la ejecución de herramientas, el enrutamiento de memoria y la capa de persistencia a cambio de poseer esos componentes de principio a fin.

Los investigadores y académicos que exploran la cognición de los agentes encontrarán la arquitectura particularmente legible. El modelo de tres niveles se asigna directamente a la gestión de memoria clásica de los sistemas operativos, el ADE proporciona rastros de razonamiento visibles y la licencia Apache 2.0 significa acceso total para modificar y estudiar los componentes internos. El curso "Intro to AI Agents with Letta" de Codecademy sugiere una creciente adopción en contextos educativos. Los equipos que ya utilizan Pydantic AI u otros frameworks de Python tipados apreciarán el diseño del SDK de Letta centrado en Python, aunque existe soporte para TypeScript para equipos nativos de la web.

Lo que Letta no es

Letta no es un módulo de memoria plug-and-play. No puedes añadir la memoria de Letta a un flujo de trabajo existente de LangGraph o AutoGen en una tarde; adoptas la plataforma o no lo haces. Los equipos con arquitecturas de agentes establecidas se enfrentan a entre dos y seis semanas de refactorización para migrar, y ese coste es real. No empieces con Letta si no estás seguro de si tu caso de uso requiere continuidad de memoria a largo plazo; la API más reducida de Mem0 es el punto de partida de menor riesgo para esa evaluación.

Letta no es maduro para proveedores de modelos que no sean de OpenAI. Los problemas en GitHub y los hilos de los foros documentan tasas de error superiores al 90% al usar modelos locales a través de Ollama o LiteLLM. Las herramientas de configuración sugieren un conjunto predeterminado reducido de envoltorios (wrappers) de modelos sin un camino obvio para modelos más nuevos. Esto ha mejorado en las versiones recientes, pero sigue sin resolverse para los equipos comprometidos con despliegues totalmente locales o de pesos abiertos (open-weight). Si tu stack se basa principalmente en Ollama, espera fricción y tiempo de depuración para los que la documentación no te prepara adecuadamente.

Letta no es un pipeline de datos completo ni un framework RAG. Para la ingesta de documentos, fragmentación (chunking), incrustación (embedding) y recuperación a escala, LlamaIndex sigue siendo la solución más completa. La memoria de archivo de Letta cubre la capa de recuperación, pero no el pipeline de preprocesamiento. Los equipos que construyen aplicaciones con gran cantidad de documentos suelen usar Letta para la memoria del agente y una biblioteca de recuperación dedicada para la búsqueda de documentos.