影片中以 Markdown (TXT) 作為 FileSystem 的知識庫只屬方便演示，實際上建議的知識庫為原子化的 .JSON 格式，延伸閱讀︰
ai-kb-json-k7f5xt3.gamma.site
別再用「人類摘要」餵 AI 了！打造高效企業知識庫的黃金準則（附 Prompt 可直接複製使用）
您是否曾感覺，與 AI 詳細解釋完一個專案的背景後，重新開啟新話題後，它就忘得一乾二淨。這正是所有大型語言模型（LLM）的共同限制：「上下文窗口」有限。 Letta（一個基於開創性的 MemGPT 概念所打造的系統）正是為了解決這個核心痛點而生。 您可以將 Letta 想像成一個為 AI 安裝的「外接大腦」。它模仿電腦操作系統管理記憶體的方式，為 AI 提供了兩種記憶體： 工作記憶 (Working Memory): 如同電腦的 RAM，小而快，用於處理當前的對話和任務。 長期記憶 (Long-term Memory): 如同電腦的硬碟，巨大且可供搜尋，用於存儲過去所有的對話、文件和知識。 Letta 的魔法在於，AI 學會了自主管理這兩層記憶。當遇到一個它不記得的問題時，它會自動去「搜尋」自己的長期記憶硬碟，找到最相關的資料，然後調閱到工作記憶中來回答您。 這項技術，讓一個健忘的聊天機器人，蛻變為一個能夠持續學習、真正擁有「記憶」的知識夥伴。
背景與動機
傳統聊天機器人 (如︰ ChatGPT) 常見問題：
- 缺乏長期狀態，跨會話難以延續與積累；
- 上下文視窗有限，大量資料無法長期保留與檢索；
- 即時外部資訊不足，難以取得最新且可驗證的來源；
- 工具協作成本高，需要人手在多個系統之間來回切換。
Letta Cloud（承襲 MemGPT 思想）提供有狀態代理與多層記憶模型：核心記憶與對話記憶用於行為與偏好，Archival Memory作為可向量化檢索的長期知識庫，支援將文件與新知寫入、再以語義方式命中。結合 Custom GPT 的 Actions 編排與 Exa AI 的即時搜尋／抓取（MCP 工具），即可把「用戶原話」原封不動交由代理處理，形成「收（Capture）—理（Organize）—煉（Distill）—出（Express）」的知識閉環，讓個人知識能被長期保存、快速檢索並轉化為可用產物。
何謂「2nd Brain」與 C/O/D/E ?
Building a Second Brain by Tiago Forte and the ‘CODE’-technique (Image from: lo-victoria.com)
「2nd Brain」旨在把個人知識長期保存、可檢索、可重用，於需要時即時動員。流程採 C/O/D/E：
- C｜Capture（收）：將外部 (Web) 或新輸入內容寫入 Archival Memory，建立向量索引以便語義命中。
- O｜Organize（理）：調整分類、標籤、關聯，合併重覆資訊，維持知識結構。
- D｜Distill（煉）：從長文與多來源提煉重點與引述，並可清洗、去重、格式化。
- E｜Express（出）：輸出為可用產物（待辦、計畫、提案大綱、簡報要點）。
為何採用「Custom GPT × Letta Cloud × Exa AI」，它們如何分工 ?
- Custom GPT（編排層）：用 Insturcitons 和 Actions 把原話送入 Letta，降低改寫與工具誤用。
- Letta（記憶與狀態層）：多層記憶＋工具決策，完成 Semantic → Archival → Exa 的閉環。
- Exa（外部事實層）：即時搜尋／抓取，保留來源，方便 Capture 與審核。
核心價值：
- 長期性：資料寫進 Archival，跨會話累積並可語義檢索；
- 可驗證：輸出分 [PERSONAL] / [WEB]，每條附來源與日期。
- 可操作：[CODE｜NEXT STEPS] 直接給黑框指令，一鍵複製／執行。
- 可擴充：用 MCP 擴展資料源與工具，維持低耦合、高延展架構。
方案比較（快速表格）
應用情境︰
情境 A：在 Custom GPT ，問一個個人庫沒有的新主題 (如︰💬「給我關於 AI 學習 的資料」 )
- 你提問後，系統會進行 Semantic → Archival → Web 多層搜尋閉環，回答問題。
- 流程上，首先會檢查 Letta 內的 FILESSYSTEM (個人知識庫)，沒命中時自動用 Exa 找出可靠來源（[WEB] 區）。
- 於 [NEXT STEPS] 下，「C｜Capture」的黑框指令 ，按下「複製」並 「貼上」文字輸入框，再提交即可把 [WEB] 新知存入 Archival，成為長期記憶。
僅供參考︰【黑框指令：這些指令貼回對話框即可執行，不用手寫 JSON。】
（實際鍵名content/text由系統偵測，這裡用<ARCHIVAL_INSERT_KEY>代稱）
C｜Capture（把 [WEB] 新知存進 Archival）
/execute_action action_type=archival_memory_insert payload={
"<ARCHIVAL_INSERT_KEY>":"《<主題>｜Capture》\n來源：EXA/FILES/USER\n- 標題：<來源A 標題>\n URL：<來源A URL>\n 日期：<來源A 日期>\n- 標題：<來源B 標題>\n URL：<來源B URL>\n 日期：<來源B 日期>\n- 標題：<來源C 標題>\n URL：<來源C URL>\n 日期：<來源C 日期>"
}
O｜Organize（為同類內容建索引頁）
/execute_action action_type=archival_memory_search payload={"query":"<主題>","limit":8}
/execute_action action_type=archival_memory_insert payload={
"<ARCHIVAL_INSERT_KEY>":"《<主題>｜索引》\n相關條目：\n- <條目A>\n- <條目B>\n使用說明：如何瀏覽與維護"
}
D｜Distill（把 PERSONAL/FILES/WEB 濃縮成新筆記）
/execute_action action_type=archival_memory_insert payload={
"<ARCHIVAL_INSERT_KEY>":"《<主題>｜摘要》\n來源：PERSONAL/FILES/WEB\n- <來源1>\n- <來源2>\n摘要要點（3–8）：\n1) …\n2) …\n差異/數據/日期：…\n分類（≤3）：<AI 自行判斷的高階概念詞>"
}
E｜Express（輸出可用產物，必要時存檔）
/execute_action action_type=archival_memory_insert payload={
"<ARCHIVAL_INSERT_KEY>":"《<產物名稱>｜Deliverable》\n<大綱／步驟／重點清單…>"
}
「C｜Capture」的黑框指令 ，按下「複製」並 「貼上」文字輸入框，再提交即可把 [WEB] 新知存入 Archival。
架構與流程（概述）
1）你發問（Custom GPT）
2）原話直送（Actions）：用
3）代理決策（Letta）：依序跑 Semantic → Archival → Web/Exa
4）結果輸出（Custom GPT 顯示）：五區塊固定骨架
2）原話直送（Actions）：用
<<RAW>>...<<END>> 把用戶原話包起來，交到 Letta 的 /messages 端點3）代理決策（Letta）：依序跑 Semantic → Archival → Web/Exa
4）結果輸出（Custom GPT 顯示）：五區塊固定骨架
- 🗂️[PERSONAL]｜🌐[WEB]｜🧩[CODE｜NEXT STEPS]｜⚠️[LIMITS]｜🔧[TOOL_RUN_SUMMARY]
5）一鍵執行：把 [CODE｜NEXT STEPS] 的黑框指令複製貼回對話框即可
何時會觸發 Letta 知識庫? 了解「發問與回答」的背後邏輯 ︰
🧭 兩種模式的切換條件
1. 以 GPT 流程回應
- GPT 會 直接生成答案（不呼叫 Letta），在以下情境：
- 用戶明確說 「不要呼叫 Letta」。
- 用戶的問題是 解釋性 / 通用知識 / 方法建議（例如：「幫我解釋 OODA Loop」、「怎樣寫 OKR」）。
- 用戶要做 純 GPT 任務（例如：寫文章、生成代碼、數學計算、畫圖）。
- 用戶需要用到 網路搜尋（web_search / EXA） 才能回答。
2. 以 Letta 知識庫回應
- GPT 會把用戶的原話包成 <>...<> 傳進 Letta，讓它做多層檢索，通常在以下情境：
- 任何「一般提問」：沒有特別說「不要呼叫 Letta」，我都會先送去。
- 你直接用 /execute_action、/collect、/organize、/distill、/express 等指令。
- 需要檢索 個人知識庫（archival / core / conversation / files）時。
- 你問的問題可能有 既存的 Capture / 摘要。
準備工作
登記以下帳號︰
- Letta Cloud (不是 Self-Hosting) 帳戶與 API Key。 免費登記︰https://app.letta.com/signup
- Exa API Key。 (Secret Key) 免費登記 包 US$10 的免費 API 使用額度︰https://dashboard.exa.ai/
Letta Cloud 設置步驟
1）建立 Project 與 Agent
完成設置的 Agent 介面大概如下︰
- 於 Letta ADE 介面建立 Project（名稱示例）： my2ndBrain → 選 「Agents」→ 「Create a new agent」→ 建議選 Personal assistant 模版（命名、設置模型、工具、上載知識庫進行 Embedding）。點選 「Open in ADE」可進入 Agent 設定頁。
- Agent Name（名稱示例）：PersonalBrain_RAGAgent
- Agent ID（樣式示範）：
agent-xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx(📌重要︰用於 GPT 的 Action Schema 的 <YOUR_AGENT_ID> 內!)
- 設置 LLM Model ︰建議選
gpt-4o-mini,GPT-4.1 nano(Standard - 輕量快捷 ，基本測試用) 或gpt-5/gemini 2.5 Pro preview(Premium - 推理型) (相對穩定) ，補充︰
- (GPT-4.1 nano 是 OpenAI 於 2025 年推出的最輕量級 GPT-4.1 變體，專為低延遲與低成本場景設計，仍保有長達 1,047,576 tokens 的上下文窗口。適用於需要大量短平快呼叫的智能代理 (agent) 或自動化工作流程，如客服 chatbot、召回系統等，可大幅降低單次成本並保持高速響應。)
- Letta 的免費帳號，已包含每月 500 次 Standard models , 50 次 Premium models credits，9 GB of storage 。
- Letta 的 Pro 帳號，US $20/m ，已包含每月 5,000 次 Standard models , 500 次 Premium models credits，86 GB of storage。
2）工具管理 (Tools)、檔案系統 (FileSystem)
- Agent 的 ADE 路徑：Tool Manager ，設置工具 ，最終 Core (11) + Custom (3) = 共 14 個. (常用工具數目只是參考，起初選用 Agent : Personal assistant 模版 後，系統已預置了一部份，可按實際使用方法而調節，以下只是我個人使用的習慣。)
- 在 FILESYSTEM 下，當你將資料夾 (New folder) 掛入 Agent；Letta 也會自動添加相關的文件處理與檢索工具 (
semantic_search_files,grep_files,open_files) 。
Letta Agent 常用工具與功能說明 (工具必須是 「Attach tool to Agent」後才能正式運作)︰
semantic_search_files：對已掛載文件做語義／向量檢索（全文層面），用於找出相似度最高的段落或文件。
grep_files：以關鍵詞／規則在文件內快速檢索（類似 grep），適合明確關鍵字情況。
open_files：開啟並讀取指定文件內容，供後續摘要或擷取。
run_code：在受控環境執行代碼（如清洗、去重、解析），配合 D｜Distill。
archival_memory_search：於 Archival Memory 內做標題／關鍵詞精確匹配與檢索。
archival_memory_insert：將新內容寫入 Archival Memory，以便之後能被語義檢索命中（C｜Capture 會用到）。
conversation_search：在代理的對話記憶中檢索歷次互動內容。
core_memory_replace：替換核心記憶項（更新既有條目）。
core_memory_append：追加核心記憶項（增量補充）。
send_message：在代理內部進行訊息傳遞（通常由代理流程自調）。
- web_search ︰備援工具，在 web_search_exa（首選的精準網搜）無法使用時，提供一般搜尋引擎式的查詢能力。
- Exa MCP 工具（需先連接 MCP Server，見下一節）：
web_search_exa：即時網絡搜尋，回傳來源與摘錄。
crawling_exa：抓取指定 URL 內容並整理結構化資訊。
company_research_exa：對公司資訊做彙整（供研究情境）。
3）連接 Exa MCP（建議：Streamable HTTP）
- Agent 的 ADE 路徑：Tool Manager → Add MCP Server → Streamable HTTP。
- Server name：
Exa（可自定，但建議簡潔一致）
- Server URL：
https://mcp.exa.ai/mcp
- Authentication：
Access Token / API Key（輸入你的 Exa API Key）
- 完成後，從該 MCP Server 內選擇工具（
web_search_exa、crawling_exa、company_research_exa）並按 「Attach tool to Agent」附加到 Agent 。
設置 Letta「Tool Rules」，對 GPT（Instructions）的作用︰把策略“硬化”到 Agent 端 (更新︰ 2025-08-21)
運用 Start→Constrain→Continue→Required→Exit→Max Count 這組規則，強制走
semantic_search_files → (grep_files) → open_files → send_message。
semantic_search_files → (grep_files) → open_files → send_message。
具體解決了 Letta / LLM 什麼問題 ?
- 「搜了不開檔」 →
Required Before Exit: open_files+Continue Loop
沒開檔就不允許結束或回覆。
- 「隨機跳去 conversation_search / WEB」 →
Start Constraint+Constrain Child Tools
先 Files，且semantic_search_files後只允許grep/open，不會亂跳。
- 「搜完就提早收工」 →
Continue Loop
在semantic_search_files / grep_files不准結束。
- 「工具瘋狂連續呼叫」 →
Max Count
每回合semantic=1 / grep=1 / open=1，穩定且可預期。
- 「回答沒真的看檔」 →
open_files成為回覆前置，答案確實基於檔案內容。
Rules 設置方法 (New rule) 一覽︰
- Run First / Start Constraint：
semantic_search_files
- Constrain Child Tools：
semantic_search_files → grep_files, open_files, conversation_search
grep_files → open_files, conversation_search
conversation_search → archival_memory_search
open_files → send_message, archival_memory_insert
archival_memory_insert → send_message
archival_memory_search → send_message, web_search_exa
- Continue Loop（不許在此結束）：
semantic_search_files, grep_files, conversation_search, archival_memory_search
（移除memory_insert, memory_replace）
- Exit Loop：
send_message
- Max Count Per Step：
semantic_search_files=1, grep_files=1, open_files=1
- （不再使用）Required Before Exit: open_files（避免無檔時被卡死）
Rules 這樣設置的實際行為︰
- 先走 FILES：
semantic_search_files → (grep_files)；
- 有檔 ⇒
open_files → (send_message / +archival_memory_insert → send_message)
- 無檔 ⇒
conversation_search → archival_memory_search → (send_message 或 web_search_exa)
- 與 Instructions 說明完全一致：INTERNAL → FILES → Memory → WEB，且「能開檔就一定開檔；無檔才退路」。
- FILESYSTEM 匯入知識︰先要建立新資料夾 (New Folder) 並輸入資料使用說明(AI 會參考) ，然後再上載上載知識庫檔案進行 Embedding (支援︰ TXT , MD , PDF 格式)
- Deploy 代理 (成功建立 Agent 後會自動 Deploy) ，準備對外服務。
4）產生 Letta API Key
- 於 Letta 後台建立 API Key，稍後將在 Custom GPT Actions 的 Authentication 使用（
Authorization: Bearer<YOUR_LETTA_API_KEY>）。
在 Custom GPT 建立「2nd Brain 個人知識助理」
Custom GPT 完成設置的 Config 介面如下︰
A. Basic（逐欄位可直接貼上）
Name (建議加入自訂的版本號 (eg: v1.8.3) ，有助辨認 GPT 有否使用當前最新的版本還是 Cache)
2nd Brain 個人知識助理（Letta × Exa）
Description
這是一個專為個人知識管理與檢索設計的 AI 介面。所有回應一律經由 Letta Cloud 的 PersonalBrain_RAGAgent 處理；必要時由該 Agent（非 Actions 層）調用 Letta Cloud 內建工具與你已接上的 Exa AI MCP 工具進行公開網頁搜尋或抓取。 系統按 CODE 模式（Capture / Organize / Distill / Express）給出可執行建議。
Instructions 功能說明︰
Letta Agent 內部執行多層搜尋 🔎 Semantic 層：針對已掛載之文件做全文向量檢索，用於語義與段落級命中。 📜 Archival 層：於 Archival Memory 進行標題／關鍵詞精確匹配，命中長期筆記。 🌏 Web 層（Exa MCP）：當內部兩層無命中時，由 web_search_exa／crawling_exa／company_research_exa 執行外部搜尋／抓取。 輸出與可操作性 🧩 來源分離：回覆嚴格分為 [PERSONAL]（個人庫）與 [WEB]（外部來源），避免混淆。 🧰 C/O/D/E 可執行命令：系統在 [CODE｜NEXT STEPS] 自動生成對應動作的指令（含 /execute_action 與等效 alias）。 🧠 Capture（/collect）：對於外部或新輸入內容，一鍵寫入 Archival；寫入後立即進向量索引，下次可由 Semantic 直接命中。 與實際 Instructions 的對應‧ sendMessageToPersonalBrainAgent：保證「用戶原話」直送代理。‧ 多層搜尋條款：對應「Semantic → Archival → Web/Exa」的順序與觸發條件。‧ 來源分離與鏈接規則：對應 [PERSONAL] / [WEB] 與 URL 驗證指引。‧ C/O/D/E：對應 /collect、/organize、/distill、/express 與自動產生命令。
(留意︰ Custom GPT 的 instructions 不能多於 8,000 字。 如果要額外更多，要放於 Knowledge 文檔內)
Conversation starters
(即常用的預置提問，按實際使用習慣而自由設置，如︰告訴我當前 Instructions 是什麼版本?)Knowledge：不用設（由 Letta 管理）; Recommended Model：GPT-5 ; Capabilities：全部開啟 (實測對 Letta API 沒影響)
B. Actions（Create new action）
Custom GPT 完成設置的 Acttion 介面如下︰
Authentication
從 Letta Cloud 免費取得 API Key，然後貼到 Custom GPT 的 Action 頁內。
在 Custom GPT 的 Action 頁內 Authentication 打開設置︰
- Authentication Type：
API Key
- Auth Type：
Authorization: Bearer<YOUR_LETTA_API_KEY> (這裡輸入 Letta Cloud 的 API Key 令 GPT 與 Letta 連結)
Schema（GPT Specification (OpenAPI Schema)
這是一份 「告訴 GPT 如何呼叫外部工具 / API」(Letta) 的規格說明文件。
簡單來說：
- 它不是 API 的程式碼，而是讓 GPT 知道「我有什麼工具、它們的功能、需要什麼參數、返回什麼數據」。
- GPT 會根據這份 Schema，自動決定何時調用這個 Action（即 Letta API 及其工具）。
請把下文 JSON schema 內的 "/v1/agents/<YOUR_AGENT_ID>/messages" 中的 <YOUR_AGENT_ID> 改為你自己的 Agent ID (見圖，可以在 Letta Cloud 的 Agents 頁內，左上方的 Name 下方找到 ID) (例如︰"/v1/agents/agent-4062181e-5xxx-4xxx-axxx-exxxxxxxxxxxx/messages") ；其餘保持不變。 operationId：sendMessageToPersonalBrainAgent（必須與 Instructions 一致）
Schema（可直接複製使用） (更新︰2025-08-18)
{
"openapi": "3.1.0",
"info": {
"title": "Personal Brain Assistant Actions",
"version": "v1.1.28-DeliveryFix",
"description": "Letta-first + Delivery 修復：/messages 設為 consequential；請求建議攜帶 use_assistant_message、include_return_message_types、return_actions 以確保把 Letta 生成結果帶回 GPT。"
},
"servers": [{ "url": "https://api.letta.com" }],
"security": [{ "LettaBearerAuth": [] }],
"paths": {
"/v1/agents/<YOUR_AGENT_ID>/messages": {
"post": {
"summary": "Send a message to the Personal Brain Agent",
"operationId": "sendMessageToPersonalBrainAgent",
"security": [{ "LettaBearerAuth": [] }],
"x-openai-isConsequential": true,
"requestBody": {
"required": true,
"content": {
"application/json": {
"schema": { "$ref": "#/components/schemas/SendMessageRequest" }
}
}
},
"responses": {
"200": {
"description": "Successful response from Letta Agent",
"content": {
"application/json": { "schema": { "$ref": "#/components/schemas/AgentResponse" } }
}
}
}
}
},
"/v1/tools": {
"get": {
"summary": "List all available tools (Letta Cloud, MCP, Custom)",
"operationId": "listTools",
"security": [{ "LettaBearerAuth": [] }],
"x-openai-isConsequential": false,
"responses": {
"200": {
"description": "Organization-level tools",
"content": {
"application/json": { "schema": { "$ref": "#/components/schemas/ToolListResponse" } }
}
}
}
}
},
"/v1/agents/<YOUR_AGENT_ID>/tools": {
"get": {
"summary": "List tools attached to the agent",
"operationId": "listAgentTools",
"security": [{ "LettaBearerAuth": [] }],
"x-openai-isConsequential": false,
"responses": {
"200": {
"description": "Tools currently attached to the agent",
"content": {
"application/json": { "schema": { "$ref": "#/components/schemas/ToolListResponse" } }
}
}
}
}
},
"/v1/tools/add-base-tools": {
"post": {
"summary": "Upsert Base Tools (idempotent)",
"operationId": "upsertBaseTools",
"security": [{ "LettaBearerAuth": [] }],
"x-openai-isConsequential": false,
"responses": {
"200": {
"description": "Base tools upserted",
"content": {
"application/json": {
"schema": { "type": "array", "items": { "$ref": "#/components/schemas/ToolItem" } }
}
}
}
}
}
}
},
"components": {
"securitySchemes": {
"LettaBearerAuth": { "type": "http", "scheme": "bearer", "bearerFormat": "JWT" }
},
"schemas": {
"SendMessageRequest": {
"type": "object",
"required": ["messages"],
"properties": {
"messages": {
"type": "array",
"minItems": 1,
"items": {
"type": "object",
"required": ["role", "content"],
"properties": {
"role": { "type": "string", "enum": ["user"] },
"content": {
"type": "array",
"minItems": 1,
"items": {
"type": "object",
"required": ["type", "text"],
"properties": {
"type": { "type": "string", "enum": ["text"] },
"text": {
"type": "string",
"description": "前置 [DIRECTIVE]（Semantic→Archival→Web + C/O/D/E 決策與鏡射對照）+ 用戶原話（<<RAW>>…<<END>>）。"
}
}
}
}
}
}
},
"use_assistant_message": {
"type": "boolean",
"description": "要求 Letta 以 assistant_message 形態回傳可視文本（建議 true）。",
"default": true
},
"max_steps": { "type": "integer", "description": "Agent 最大步數（建議 50）" },
"search_strategy": { "type": "string", "enum": ["default", "multi_layer"] },
"return_actions": {
"type": "boolean",
"description": "是否同時回傳 action_suggestions（建議 true）。",
"default": true
},
"include_return_message_types": {
"type": "array",
"items": { "type": "string" },
"description": "建議包含：assistant_message、tool_call_message、tool_return_message。",
"default": ["assistant_message","tool_call_message","tool_return_message"]
},
"verbatim_mode": { "type": "boolean", "default": true }
},
"additionalProperties": true
},
"AgentResponse": {
"type": "object",
"properties": {
"messages": { "type": "array", "items": { "type": "object" } },
"action_suggestions": {
"type": "array",
"items": {
"type": "object",
"properties": {
"label": { "type": "string" },
"action_type": { "type": "string" },
"target_id": { "type": "string" },
"api_endpoint": { "type": "string" },
"payload": { "type": "object" },
"command_string": { "type": "string" }
}
}
}
},
"additionalProperties": true
},
"ToolListResponse": { "type": "array", "items": { "$ref": "#/components/schemas/ToolItem" } },
"ToolItem": {
"type": "object",
"properties": {
"id": { "type": "string" },
"name": { "type": "string" },
"tool_type": { "type": "string" },
"description": { "type": "string" },
"json_schema": { "type": "object", "additionalProperties": true },
"args_json_schema": { "type": "object", "additionalProperties": true },
"tags": { "type": "array", "items": { "type": "string" } },
"source_type": { "type": "string" },
"source_code": { "type": "string" },
"return_char_limit": { "type": "integer" }
},
"additionalProperties": true
}
}
}
}
完成正確的 Schema 設置後，便會自動出現相應的 Available actions
sendMessageToPersonalBrainAgent
listAgentTools(Agent 已綁定工具)
upsertBaseTools(把「基礎工具」上載／更新到組織層（Org Catalog），不代表已自動綁到 Agent。)
點選
upsertBaseTools 的 「Test」，如果能回覆圖中內容 (類似) 便表示 GPT 與 Letta 成功連接 🥳每次在 Custom GPT 提出發問時，由於 Letta 屬於外部工具，所以 GPT 需要獲取權限才能執行，點 Confirm 可以繼續。
建議︰在 GPT Builder 的 Approvals/Privacy 關閉需確認，將 GPT's privacy settings 內 api.letta.com 設「Always Allow」，不用每次 「Confirm」授權動作。
解難︰如果 Schema 貼上後出錯 (通常是 OpenAPI 文件規格問題 )，建議使用另一個 ChatGPT ，提供以下「GPT Action Schema 通用規格要求︰經驗總結」 資料作參考，同時將你的 schema 及 錯誤訊息交給 AI ，叫它「檢查問題及修正」，然後將修正後的完整 schema 貼回 Custom GPT 內就可以。
「AI 生成/修改 Actions Schema」的提示前置段落 (將以下內容交給 AI 🤖 會有助加快除錯/優化功能 😉 ) GPT Action Schema 通用規格要求︰（官方對齊＋實戰版）
View more
Privacy policy
你可選擇其中一份貼上到 Notion/Google Doc，再把該頁 URL 分享並貼回 Custom GPT。
你可選擇其中一份貼上到 Notion/Google Doc，再把該頁 URL 分享並貼回 Custom GPT。
輸入 Privacy policy 的網址參考︰最小可用版（簡潔、合規起點） 隱私權政策（適用於「2nd Brain 個人知識助理」） 內容為一般資訊， 不構成法律意見 ；如需遵循 GDPR/UK GDPR/CCPA 等法規，請讓法務審閱後再行使用。 最後更新： 2025-08-11
本頁說明 ＜你的網站/品牌名稱＞（下稱「我們」）如何處理你在使用本 Custom GPT（以下稱「本服務」）時產生的資料。 資料來源與用途 你於本服務輸入的文字（「用戶內容」）會由 OpenAI 處理，並透過已連接的 Letta Cloud（前身 MemGPT）代理進行檢索與回覆；在需要即時資料時，代理可能調用 Exa AI 進行網絡搜尋／抓取。 用戶內容的用途：依你的指示，於個人知識庫進行檢索、組織、摘要、生成可執行清單等。除非你主動要求，我們不會將用戶內容用作行銷。 第三方處理者 OpenAI：提供模型推理與「Custom GPT + Actions」。 Letta Cloud：提供狀態式代理、長短期記憶與語義檢索（可能含檔案系統與 Archival Memory）。 Exa AI：在代理決策需要時提供即時搜尋／抓取。 各第三方之資料使用，受其各自之條款與隱私政策約束。 保存與刪除 我們不另行販售或對外公開你的用戶內容。 保存期間視系統運作需求與第三方供應商之設定而定；你可依第三方機制請求刪除或在我們處提出刪除要求（若技術上可行）。 安全 我們採用 API 金鑰與最低必要權限原則；請避免在對話中輸入敏感個資與機密資訊。 使用者權利與聯絡方式 若你欲查詢、修正或刪除資料，請以電郵聯絡：＜你的聯絡電郵＞。 如政策修訂，我們將更新本頁「最後更新」日期。 聯絡人／負責單位：＜你的公司/個人名稱＞
四、常見問題與排錯
Q1. GPT 畫面長期停在「Talking to api.letta.com」
- 原因（簡單講）： GPT 想用外部工具，但瀏覽器未允許／UI 有快取。
怎樣做：
- 進入此 Custom GPT 的 Privacy / Permissions → 將權限設為 Always allow（有時要關掉再開一次才真正生效）。
- 關掉此對話分頁→重新開一個新對話再問同一條問題。
- 仍不行：在 GPT 設定把「Allow this GPT to use Actions」關掉→再開。
代表已修好： 開新對話首問時，會看到系統顯示「正在檢查工具／已自動補齊」之類提示，然後正常回覆。
Q2 我需要每次都在 GPT Builder / Action 內先跑 upsertBaseTools 嗎？
- 不用。
系統會在新對話的第一次或偵測到「工具清單缺失」時自動補齊 (系統會先 GET /v1/tools 檢查，缺了才 POST /v1/tools/add-base-tools。)。
怎樣判斷： 回覆裡若提到「工具缺失→已自動補齊」，之後再問就可以。
Q3. 出現 400 INVALID_ARGUMENT: Function calling config is set without function_declarations. 怎麼辦？
原因（簡單講）： GPT 想用某個「動作」(Tool)，但那刻沒有把該動作怎樣用的說明告訴模型，所以報錯；與「查不到資料」無關。
三步排查：
三步排查：
- 直接重問一次（很多時是瞬時問題）。
- 工具缺失 ? 看回覆是否提到「工具缺失→已自動補齊」 (upsertBaseTools)，有的話等它補完再問。
- 仍報錯：到 Actions 設定檢查
- 是否把
<YOUR_AGENT_ID>換成真實 Agent ID；
- Authorization 是否為
Bearer <YOUR_LETTA_API_KEY>；
- 手動點選 (upsertBaseTools) 旁邊的 「Test」按鈕，執行 upsertBaseTools 指令；
- 檢查你的動作 (Tool) 是否真的有列在工具清單。
不要急著改 Schema；通常是「工具宣告」沒注入好。
Q4. 為什麼我的原句被簡化了？
- 已開 Verbatim 模式：只要你把原文包在
<<RAW>> ... <<END>>裡，內容會原封送入 Letta。
示例：<<RAW>> 幫我把以下兩篇加入個人庫，之後做統整。 <<END>>
若仍覺得被改，先確認 Insturctions 內你真的加了<<RAW>>與<<END>>?
Q5. 我可不可以自己打
/collect target_id=...？- 可以，但不建議新手這樣做。
最簡單做法是用自然語句下指令，例如：
「請把上面兩篇存入個人庫，加標籤：A／B。」
系統會自動產生可複製的命令並幫你執行，避免手動填target_id出錯。
Q6. 外部連結不穩／要登入才看得到，怎麼處理？
- 這多半是網站本身限制，不是系統出錯。
可行做法：
- 請系統「用 Exa 抓取該 URL 並做重點摘要」，或改用其他關鍵字再找開放版本。
- 回覆中會在 [LIMITS] 區塊標示 「[無公開連結]／[鏈接未驗證]」，方便你判斷可靠度。
Q7. 我已經「Capture（收藏）」了，但搜尋仍找不到（Semantic 命中為 0）？
- 九成是：內容沒有真正寫進「Archival Memory」，只是在聊天裡說了而已。
怎樣做：
- 用自然語句再說一次：
「把剛才那兩篇寫入個人庫（Archival），並回報成功。」
- 成功後，系統會回覆已落盤。此時再搜尋就會命中了。
（進階用法：系統會用archival_memory_insert之類的工具把內容寫入檔案層。）
Q8. 看不到 Exa 工具／回覆沒有 [WEB] 區塊？
代表還未安裝好網搜工具。
怎樣做（一步步）：
怎樣做（一步步）：
- 開 Letta ADE → Tool Manager
- Add MCP Server：名稱填 Exa（URL：
https://mcp.exa.ai/mcp）→ 設定 API Key / Access Token
- 把
web_search_exa（及需要的crawling_exa/company_research_exa）附加到你的 Agent
- Deploy 後，回到 GPT 再問一次即可。
- 到 Letta ADE：Tool Manager → Add MCP Server（Exa） → Attach
web_search_exa/crawling_exa/company_research_exa→ Deploy。完成後重問一次即可。
Q9. 為何不用 Letta 內建 web_search，改用 Exa？
唔係 Letta 的
web_search 唔得，係用途唔同：web_search 走關鍵字／問答式，靠搜尋引擎收錄，回來多數係片段，啱快手搵參考；Exa 為 AI 而設，可直接提取網頁正文、輸出連引用的結構化結果，亦支援站內多層爬同多步研究，速度同穩定性更好。兩者都不會越過登入／付費牆；若要把資料存入知識庫（資料庫 / Archival Memory）重用、可追溯引用，選擇 Exa 更適合。其他常見狀況（速查表）
- GPT 發出訊息後，什麼都沒回（或只顯示錯誤碼）：過一陣先重新發一次訊息；有時候 GPT 與 api.letta.com 之間的連接需時，等一會，再繼續。
- 沒有 [WEB] 區塊：你問的主題可能已存在個人庫、或 Exa MCP 未連接。若是後者，請到 Letta ADE 檢查 MCP Server「Exa」是否連好並已 Attach 工具後再次 Deploy。
- 命令裡有
target_id=<ID>但你不知道那是什麼：不用理會，直接用自然語句「請幫我把上面兩篇存入個人庫」即可。
- 鏈接打不開：屬外部網站行為層；可換關鍵字再搜，或改問「請用 Exa 抓取：<URL>」。
- 401 未授權
檢查 Authorization Header 是否為：Bearer <YOUR_LETTA_API_KEY>；重新存檔後再問。
- 找不到 Exa 工具
依 Q8 步驟新增 MCP Server「Exa」，把工具附加到 Agent並 Deploy。
- Action Schema 報錯
多半是忘了把<YOUR_AGENT_ID>換成真的，或JSON 括號/逗號不匹配。
做法：重新複製教學版範例，只改必要的 ID/Key 後整段貼上。
- 外部連結不穩
依規則：無 URL 就標 「[無公開連結]」；不確定就標 「[鏈接未驗證]」；可改用 Exa 重新抓取摘要。
- Letta 的 Semantic 本該命中卻沒命中
先讓系統「列出剛存入的內容」確認真的落盤；
若使用檔案，請確定該檔已完成索引（稍等片刻再搜）。
小字訣（用詞翻譯）
- Capture / 收藏：把「外部或你剛輸入的內容」寫入個人庫（長期保存）。
- Archival Memory：長文資料庫（可被搜尋／重用）。
- [PERSONAL] / [WEB]：回覆裡標示資料來源（內部庫或外部網頁）。
- Exa：外部搜尋與擷取工具；安裝好後 [WEB] 內會優先使用它。
延伸閱讀︰
ai-kb-json-k7f5xt3.gamma.site
別再用「人類摘要」餵 AI 了！打造高效企業知識庫的黃金準則（附 Prompt 可直接複製使用）
您是否曾感覺，與 AI 詳細解釋完一個專案的背景後，重新開啟新話題後，它就忘得一乾二淨。這正是所有大型語言模型（LLM）的共同限制：「上下文窗口」有限。 Letta（一個基於開創性的 MemGPT 概念所打造的系統）正是為了解決這個核心痛點而生。 您可以將 Letta 想像成一個為 AI 安裝的「外接大腦」。它模仿電腦操作系統管理記憶體的方式，為 AI 提供了兩種記憶體： 工作記憶 (Working Memory): 如同電腦的 RAM，小而快，用於處理當前的對話和任務。 長期記憶 (Long-term Memory): 如同電腦的硬碟，巨大且可供搜尋，用於存儲過去所有的對話、文件和知識。 Letta 的魔法在於，AI 學會了自主管理這兩層記憶。當遇到一個它不記得的問題時，它會自動去「搜尋」自己的長期記憶硬碟，找到最相關的資料，然後調閱到工作記憶中來回答您。 這項技術，讓一個健忘的聊天機器人，蛻變為一個能夠持續學習、真正擁有「記憶」的知識夥伴。
