RobotMem vs Letta (MemGPT)
2026 年应该选择哪个记忆系统？
概要
Letta（原 MemGPT）是一个有状态的 Agent 框架，LLM 自主管理自己的记忆——决定何时将信息从上下文内工作记忆移到归档存储，何时检索。这对长周期文本任务是一种强大的范式，如研究助手或编码 Agent。RobotMem 采用不同的方法：它使用确定性的类型化存储引擎来持久化物理机器人的结构化感知数据——RGB 图像、关节轨迹、力-力矩数组、音频片段——不依赖 LLM 来做存储决策。Letta 擅长智能地管理文本，RobotMem 擅长高效地管理传感器流。两者都支持离线运行，都是开源的，但它们服务于根本不同的系统。
结论：物理机器人产生感知数据并需要在边缘快速、确定性记忆检索选 RobotMem。长周期 LLM Agent 任务中 Agent 本身需要推理该记住什么、忘记什么选 Letta。
功能对比
| 能力维度 | RobotMem | Letta (MemGPT) |
|---|---|---|
| 目标用例 | ✓ 物理机器人 | LLM 驱动的 AI Agent |
| 多模态感知 | ✓ 5 种类型（视觉、触觉、听觉、本体感觉、程序性） | ✕ 以文本/文档为主 |
| 轨迹存储 | ✓ 关节轨迹 + 时间戳 | ✕ 不支持 |
| 数值参数 | ✓ 力、速度、力矩数组 | ✕ 不支持 |
| 离线/边缘能力 | ✓ 本地 ONNX Embedding，无需联网 | ~ 可通过本地 LLM（Ollama）离线，但配置复杂 |
| 视觉去重 | ✓ dHash 感知哈希 | ✕ 不支持 |
| MCP 协议 | ✓ 内置 MCP 服务器 | ✕ 不支持 |
| 自然语言存储 | ✓ 支持 | ✓ 核心功能 |
| 框架无关 | ✓ ROS, MuJoCo, Isaac Gym, dm_control | ~ 支持多种 LLM 后端 |
| LLM 管理的记忆 | ✕ 确定性存储（无需 LLM） | ✓ 核心架构——LLM 决定记住什么 |
| 存储延迟 | ✓ 快速——写入时无需 LLM 推理 | ~ 每次记忆决策需要 LLM 推理 |
| 社区与生态 | ~ 早期阶段，持续增长 | ✓ 活跃的研究社区，12k+ GitHub Stars |
| 配置复杂度 | ✓ 简单——pip install robotmem |
~ 需要更多配置（服务器 + LLM 后端） |
| 许可证 | Apache 2.0 | Apache 2.0 |
详细对比
1. LLM 管理 vs. 确定性记忆
Letta 的核心洞察是 LLM 可以管理自己的记忆——模型本身根据认为重要的内容决定调用 archival_memory_insert 或 archival_memory_search。这支持开放式 Agent 任务中灵活、智能的记忆管理。代价是每次记忆操作都需要一次 LLM 推理，增加延迟和成本。RobotMem 采用相反的方法：存储是确定性的——当感知片段到达时，立即存储，无需 LLM 参与。搜索使用预计算 ONNX Embedding 的向量相似度。对于每秒处理数百帧的机器人来说，LLM 介入的模型会成为瓶颈。
2. 数据类型：感知片段 vs. 归档文本
Letta 的归档记忆针对文本优化：文档、笔记、对话摘要。RobotMem 的存储模型从零开始为机器人实际产生的数据设计：类型化感知记录，包含图像张量、本体感觉关节向量、力-力矩读数和音频波形字段。它还存储轨迹回放——带时间戳的关节角度序列——这对模仿学习和运动原语至关重要。将这些数据文本序列化无法保留回放或分析机器人行为所需的保真度。
3. 离线能力：ONNX vs. 本地 LLM
两者都可以离线运行，但复杂度不同。Letta 需要完整的 LLM 后端——通常是通过 Ollama 等运行的 7B-70B 参数模型——才能运行，因为 LLM 是记忆管理的核心，不仅仅是检索。在 NVIDIA Jetson 或 Raspberry Pi 5 上，在机器人控制回路旁边运行 7B 参数模型通常不可行。RobotMem 的本地推理使用紧凑的 ONNX Embedding 模型，可以在边缘硬件上轻松运行，正常操作期间无需 LLM 推理。
4. Letta 的优势：长周期 Agent 推理
Letta 的架构在 Agent 本身需要在长时间跨度内推理什么值得记住的任务中大放异彩——研究助手在数周内阅读论文、编码 Agent 在数月内学习项目规范、或个人助手在数年内跟踪偏好。LLM 驱动的记忆模型特别适合这些开放式、以文本为中心的任务。RobotMem 不加判断地存储机器人感知到的一切；Letta 的 Agent 决定什么重要。对于在可靠联网的云计算上运行的高层认知 Agent，Letta 是更前沿的研究选择。
常见问题
RobotMem 和 Letta (MemGPT) 的主要区别是什么？
RobotMem 使用确定性存储引擎处理机器人感知数据——图像、关节轨迹、力读数——写入时无需 LLM 参与。Letta 使用 LLM 自主管理自己的记忆，决定存储和召回什么。RobotMem 针对边缘硬件上的高频感知数据优化。Letta 针对文本 Agent 任务中智能的长周期推理优化。
可以用 Letta 做机器人记忆吗？
Letta 可以存储机器人观察的文本描述，但缺乏对多模态传感器类型、轨迹数组、视觉去重或 MCP 协议的原生支持。更关键的是，Letta 在每次记忆操作时都需要 LLM 推理——以机器人的数据速率（每个片段数百帧），这会产生不可接受的延迟。RobotMem 原生处理机器人数据，存储时无 LLM 开销。
RobotMem 免费吗？
是的。RobotMem 基于 Apache 2.0 开源，通过 pip install robotmem 安装。Letta 也是 Apache 2.0 开源，但需要更多配置——运行 Letta 服务器并配置 LLM 后端（本地或云端）。两者都免费；RobotMem 的上手门槛更低。