Letta Code

它能在多次会话间持续学习和改进，积累项目知识、用户偏好和操作经验，提供跨会话记忆、技能学习、模型无关切换和子智能体委派等能力。

一句话商业模式

为开发者解决AI 编程助手缺乏长期记忆和跨会话学习能力，通过Letta Code 开源编程智能体提供价值，主要依靠潜在的企业版或云服务收费（假设）赚钱

商业模式画布

提供持久记忆和技能学习，让 AI 编程助手跨会话持续改进，提升开发效率

评分解析

研究分 67

这是什么

是什么
Letta Code 是一个开源的、具备持久记忆能力的编程智能体工具。
给谁用
需要长期协作和知识积累的开发者，尤其是使用 AI 编程助手进行复杂项目开发的个人或团队。
← 返回今日精选
Letta Code

Letta Code

它能在多次会话间持续学习和改进，积累项目知识、用户偏好和操作经验，提供跨会话记忆、技能学习、模型无关切换和子智能体委派等能力。

67

一句话商业模式

为开发者解决AI 编程助手缺乏长期记忆和跨会话学习能力，通过Letta Code 开源编程智能体提供价值，主要依靠潜在的企业版或云服务收费（假设）赚钱

开发者工具AI开源编程智能体持久记忆团队 未知发布 2025年12月16日（博客发布）最后同步 2026-07-26
访问官网

产品图 / 视频

Letta CodeLetta CodeLetta CodeLetta CodeLetta CodeLetta Code

视频文件

iasi9yhacrkpgiie.public.bl…

观看视频

相关视频 / 演示

youtube.com

观看视频

商业模式画布

Business Model Canvas · 9 大模块完整填涂

重要合作Key Partnerships
与 LLM 提供商（如 OpenAI、Anthropic、Google）的模型兼容
关键业务Key Activities
开发维护开源代码、社区运营、基准测试优化
价值主张Value Propositions
提供持久记忆和技能学习，让 AI 编程助手跨会话持续改进，提升开发效率
客户关系Customer Relationships
开源社区支持、GitHub Issues、Discord 社区
客户细分Customer Segments
使用 AI 编程助手的开发者，尤其是需要长期项目协作的团队
核心资源Key Resources
开源代码库、技术博客、社区贡献者
渠道通路Channels
通过 GitHub、Hacker News、技术博客等渠道传播，利用开源社区口碑
成本结构Cost Structure
开发人力成本、服务器运维成本（如有云服务）
收入来源Revenue Streams
通过开源吸引用户，未来可能提供企业版或云服务收费
💡 核心痛点：现有 AI 编程助手会话独立，无法积累项目知识和用户偏好，每次会话需重新学习⚠️ 最大风险：开源项目商业化困难，面临其他编程助手（如 Claude Code、Gemini CLI）的竞争

评分解析

痛点清晰度

现有 AI 编程助手缺乏跨会话记忆是明确痛点，Letta Code 直接解决此问题。

置信度 80%
80
付费可能性

开源项目，无明确收费模式，商业化路径不清晰。

置信度 60%
40
市场与趋势

AI 编程助手市场快速增长，持久记忆是差异化方向。

置信度 70%
85
需求信号

在 Hacker News 和 GitHub 上有讨论和关注，但具体用户量未知。

置信度 60%
70
执行可行性

开源项目，技术实现有基准测试验证，但团队规模未知。

置信度 60%
75
中国市场适配

开源工具可被中国开发者使用，但无中文支持和本地化信息。

置信度 50%
50

这是什么

是什么
Letta Code 是一个开源的、具备持久记忆能力的编程智能体工具。
给谁用
需要长期协作和知识积累的开发者，尤其是使用 AI 编程助手进行复杂项目开发的个人或团队。

关键能力

  • 持久化记忆：智能体在多次会话间保持状态，可通过 /init 命令学习代码库，使用 /remember 保存重要上下文
  • 技能学习：从复杂任务中提取可复用的技能模式（如 API 规范、数据库迁移），供后续任务参考
  • 模型无关：支持 Claude、GPT、Gemini 等多种模型，可随时切换而不丢失记忆
  • 子智能体：可委派专门任务给独立运行的子智能体
  • 无头模式：支持脚本化和 CI 集成
  • 在 Terminal-Bench 基准测试中排名第一的模型无关开源编程智能体

创业线索

团队
未知 · 团队信息未在资料中明确提及
发布时间
2025年12月16日（博客发布） · 产品较新，2025年12月发布
增长线索
在 Terminal-Bench 基准测试中排名第一，有社区关注
能赚多少 / 怎么赚
无公开收入信息 · 开源，未发现明确收费模式
  • 团队可共享 Agent、技能和对话上下文 移动端优化：PWA 应用支持随时随地审查代
  • built by LLM providers ( Claude Code , Gemini CLI , Codex CLI ) on their own models
  • built by the model provider
  • Since skills are simply .md files, t

公开信息推断，缺数据会标未知；不构成收益承诺。

相关新闻 / 讨论

来源数据

  • 首次采集：2026-07-26
  • 最后同步：2026-07-26
  • 材料更新：2026-07-26
  • 穿透材料体量：约 10,787 字

AI 辅助分析，仅供项目研究参考，不构成投资建议。