Letta 发布面向多模型 AI 智能体的动态工作流

概述

Letta 已正式为其 AI 智能体平台推出动态工作流，这标志着向模型无关编排的重大转变。这项新功能允许开发人员组合复杂的、有状态智能体，这些智能体可以同时委托任务给在不同大型语言模型上运行的专门子智能体。

该公司通过官方渠道宣布了这一发布，凸显了其摆脱僵化、单一提供商生态系统的举措。通过使智能体能够脚本化其与多个后端的交互，Letta 旨在让用户对上下文所有权和计算成本拥有更大的控制权。

初步报告表明，该功能与 Opus 5.5 等高能力编排器配合使用时尤为强大，后者可以有效管理由 DeepSeek v4.1 或 Luna 驱动的次级智能体。这种灵活性有望通过解耦推理层和执行层，使高级人工智能能力的获取更加普及。

此次更新的核心在于能够将操作的“大脑”与“双手”分离。传统上，AI 智能体被绑定到特定的提供商，迫使用户在推理和执行方面都局限于 Anthropic 或 OpenAI 生态系统。Letta 的新动态工作流打破了这一障碍。

智能体现已能够编写脚本，同时调用多个子智能体，并将每个智能体分配给最适合其特定任务的模型。例如，一个复杂的研究项目可能使用强大的模型进行高层战略规划，同时依赖更快、更便宜的模型（如 DeepSeek v4.1）进行数据检索和综合。

这种方法确保工作流的每个步骤都能在性能和成本方面得到优化。用户不再被迫为例行任务支付高价，也不再因昂贵模型上的较低质量输出而妥协。

生态系统中的一个显著补充是对 Jev 的支持，这是一种旨在增强 AI 智能体自主性的决策模型。Jev 直接集成到工作流引擎中，允许智能体就如何通过复杂任务进行更细致入微的决策。

智能体现已不再仅依赖确定性代码路径，而是可以咨询 Jev 以评估选项、权衡风险，并为给定上下文选择最合适的子智能体或工具。这创造了更加流畅和适应性的行为模式，模仿了多步过程中类人的问题解决能力。

动态子智能体编排与 Jev 驱动的决策相结合，代表了智能体可靠性的一次飞跃。通过引入专门用于战略监督的层次，它降低了长运行链中出现错误的可能性。

此次新发布中最引人注目的方面之一是强调用户对上下文的所有权。在许多现有平台中，智能体状态和对话历史存储在提供商的云环境中，引发了隐私和可移植性方面的担忧。Letta 的架构允许智能体维护自己的上下文，无论是在本地还是云端运行。

这意味着用户可以在不同环境之间迁移其智能体状态，而不会丢失关键信息。这也为混合部署打开了大门，敏感数据处理在本地发生，而通用任务则卸载到基于云端的子智能体。

“Letta Code 现在支持本地和云端智能体的动态工作流。智能体可以编写脚本以同时编排许多子智能体，并在最适合该工作的任何模型上运行它们。” — Letta (@Letta_AI)

AI 行业长期以来以围墙花园著称，在提供商之间切换涉及巨大的摩擦。Letta 的新工作流功能通过将被视为可互换实用程序而非专有产品，挑战了这种现状。

开发人员现在可以实验 DeepSeek、Luna 和其他提供商的最新模型，而无需重建整个智能体基础设施。这培养了一个更具竞争性的市场，其中底层模型的创新通过改善性能和降低成本直接惠及终端用户。

它还鼓励了 AI 的微服务架构，其中专门的智能体处理特定功能并通过标准化接口通信。这种模块化可以导致更健壮且易于维护的应用程序。

通过将任务分配到多个模型，Letta 的动态工作流相比单体智能体设计提供了卓越的可扩展性。繁重的计算负载可以平衡跨不同提供商，防止瓶颈并降低延迟。

此外，能够为简单子任务选择较轻的模型可实现显著的成本节约。用户可以更高效地分配预算，将昂贵的推理令牌保留给关键决策点，同时利用廉价模型进行数据处理和格式化。

这种效率对于企业采用至关重要，因为成本可预测性和性能可靠性至关重要。新系统允许企业根据其特定的运营需求量身定制其 AI 支出。

有兴趣利用这些新功能的用户可以始于探索 Letta Code，它现在支持动态工作流的脚本接口。该平台提供模板和文档，帮助开发人员理解如何构建多智能体系统并集成 Jev 以获得决策支持。

鼓励早期采用者测试以 Opus 5.5 作为编排器以及以 DeepSeek v4.1 或 Luna 作为主要工作模型之间的集成。这种组合在复杂多步推理任务的初步基准测试中已显示出有前景的结果。

随着生态系统的成熟，预计将看到越来越多的预建工作流和子智能体模板库。这些资源将降低入门门槛，使更多开发人员能够在无需从头开始的情况下，利用模型无关 AI 的威力。