Copilotos de Ingeniería con Estado Agente con Letta: Memoria Central, Estado Compartido, Recuperación Semántica, Herramientas Personalizadas, Transmisión y Flujos de Trabajo de Agentes Portátiles
Este tutorial demuestra cómo construir un copiloto de ingeniería con estado utilizando Letta para habilitar la gestión autónoma de la memoria, el estado compartido del agente y la recuperación semántica para flujos de trabajo de IA avanzados.
Resumen generado con IA. Consulta el original para comprobar el contexto y la precisión.
Extracto de la fuente
Este es el extracto disponible del feed. Puede estar abreviado o en el idioma original.
In this tutorial, we build a stateful engineering copilot with Letta that demonstrates how agentic memory extends beyond conventional prompt-based conversations. We begin by creating inspectable core memory blocks that the agent can autonomously update, then expose those blocks for programmatic state synchronization and shared access across multiple agents. We further extend the architecture with archival vector memory for semantic retrieval, a custom server-side tool for deterministic risk estimation, streaming for observing agent execution, server-side message history for persistent conversations, and .af export for portability. Together, these components demonstrate a practical memory architecture in which persistent state, retrieval, tools, multi-agent collaboration, and execution traces work as an integrated agentic system. Copy CodeCopiedUse a different Browserimport subprocess, sys subprocess.run([sys.executable, "-m", "pip", "install", "-q", "-U", "letta-client"], check=True) import os, json, time, textwrap from getpass import getpass from letta_client import Letta def flex(*attempts, label=""): err = None for fn in attempts: try: return fn() except Exception as e: err = e raise RuntimeError(f"All call variants failed for {label or 'call'}: {err}") from err API_KEY = os.environ.get("LETTA_API_KEY") or getpass("Letta API key (platform.letta.com/api-keys): ") BASE_URL = os.environ.get("LETTA_BASE_URL", "").strip() client = flex( lambda: Letta(base_url=BASE_URL, api_key=API_KEY) if BASE_URL else Letta(api_key=API_KEY), lambda: Letta(base_url=BASE_URL, token=API_KEY) if BASE_URL else Letta(token=API_KEY), label="client init", ) def hr(title): print("\n" + "=" * 92 + f"\n {title}\n" + "=" * 92) def as_text(content): if isinstance(content, str): return content if isinstance(content, list): return "".join(getattr(p, "text", "") or "" for p in content) return str(content or "") def
Sobre la prioridad
Una ayuda automática para ordenar, basada en fuentes, palabras clave y entidades, en una escala de 1–12. Alta: 9–12; media: 6–8; baja: 1–5. No mide urgencia, verifica noticias ni representa respaldo editorial.
El sandbox-runtime de código abierto de Anthropic ofrece seguridad ligera a nivel de sistema operativo para agentes de IA y herramientas de línea de comandos, restringiendo el acceso a archivos y redes sin la sobrecarga de los contenedores.
El nuevo modelo abierto de 4 GB de NVIDIA permite ejecutar agentes de voz y personajes de videojuegos de forma rápida y local en hardware de consumo, liberando recursos para otras tareas de IA.
Los autoencoders CADRE de Kyutai reducen la latencia de los modelos de mundo a menos de 230 ms, lo que permite simulaciones interactivas más rápidas y responsivas en una sola GPU H100.