Letta — Memory Blocks：Agent 上下文管理的关键

📖 中英段落对照阅读

核心论点（一句话）

将上下文窗口分解为离散的、功能性的记忆块（Memory Blocks），是管理 LLM Agent 长期记忆和一致性的优雅抽象——Agent 可以读写自己的记忆块，实现真正的自我编辑记忆。

关键概念

1. 记忆块（Memory Block）
   上下文窗口的离散功能单元，包含：

   • Label：标识用途（如 “human”, “persona”, “knowledge”）
   • Value：字符串表示的块数据
   • Size limit：上下文窗口占用配额
   • Optional description：使用指导

2. Human Block vs Persona Block

   • Human：存储用户信息、偏好、事实
   • Persona：Agent 的自我概念、个性特征、行为准则
   • 两者都可由 Agent 自编辑，但有大小限制

3. 上下文编译（Context Compilation）
   Letta 在每次 LLM 请求前，从数据库状态”编译”上下文窗口：系统提示 + 记忆块 + 最近消息 + 历史摘要。

4. 多 Agent 共享记忆

   • 共享知识库（Shared knowledge bases）
   • Sleep-time 计算（Background agents 更新主 Agent 记忆）
   • 协作记忆（Collaborative memory）

5. Tool-Based Memory Editing
   Agent 通过工具（如 core_memory_replace）主动编辑记忆块，而非被动接受检索结果。

作者核心洞察

“Rather than treating the context window as a monolithic entity, memory blocks break the context window down into manageable, purposeful units.”

• 上下文窗口管理直接影响 Agent 性能：LLM 只能推理它”看到”的信息。
• 结构化上下文 = 可控性：将上下文分解为有目的的块，开发者可以精确控制 Agent 行为。
• 记忆块值可以是任意字符串：列表、字典等复杂数据结构都可存储，只要可序列化。

适用场景和目标读者

• 需要构建跨会话记忆、个性化交互的 Agent 开发者
• 对 MemGPT 论文感兴趣、想了解其工程化实现的工程师
• 设计多 Agent 系统、需要共享状态的场景

与知识库中已有内容的潜在关联

• agent-memory-design-references.md — 本文是该笔记的核心参考来源（#3 Memory Blocks）
• autonomous-agents.md — Memory 章节中提到的记忆流、反思循环可与 Memory Blocks 互补
• deep-agents.md — Deep Agents 的 MemoryMiddleware 与 Letta 记忆块是同一设计趋势的不同实现
• 2026-05-15-crush-source.md — Crush 的 session/workspace 管理也涉及上下文隔离，可与 Memory Blocks 对比
• 2026-05-15-memgpt-towards-llms-as-operating-systems.md — Memory Blocks 的理论源头

待深入研究

• Letta 的 Jinja 模板系统：上下文窗口编译时的格式化逻辑
• block_id 的 REST API：外部系统如何查询和修改记忆块
• Sleep-time Agent 的具体实现：后台反思Agent 如何决定更新哪些记忆块
• 与 RAG 核心概念 的融合：Memory Blocks 是否可以取代或增强 RAG？