• 已更新 Instructions v1.8.3、Schema v1.1.25。(輸出骨架為：🗂️ PERSONAL → 🌐 WEB → 💬 ANSWER → 🧩 NEXT STEPS → ⚠️ LIMITS → 🔧 TOOL_RUN_SUMMARY。新增 Retry（最多 2 次）, Failover fallback 答覆 , 明確區分 Letta 有回應但 GPT callback 失敗的情況.)

• 真正執行仍由 Letta；ChatGPT 不會直調工具，只下達策略意圖。

• 全文改為新手友善說明：避免術語、教你看結果與下一步要按哪個黑框指令。

• 加入禁止回顯內部 JSON、固定骨架輸出、C-O-D-E 決策與去重、Approvals 關閉指引。

1. 在 Letta Cloud 建立 Project/Agent，掛上檔案資料夾與常用工具，連上 Exa MCP（web_search_exa 等）。

• 在 Custom GPT：

• Basic：命名、描述；貼上已備好的 Instructions。

1. Actions：Authentication 用 Authorization: Bearer <YOUR_LETTA_API_KEY>；貼上 Schema（把 <YOUR_AGENT_ID> 改成你的）。

1. 使用方法（用戶視角）：

• 在 GPT 問個「已在個人庫」的主題 → 回覆會有 🗂️[PERSONAL]。

• 在 GPT 問個「個人庫沒有」的新題 → 系統自動做 🌐[WEB] 並在 🧩[CODE｜NEXT STEPS] 給你可複製的黑框指令。

• 想把 [WEB] 新知存入 → 在 GPT 直接點黑框的 Capture 命令即可；之後會變成長期記憶，下次在 🗂️[PERSONAL] 命中。

• 最後列出 🔧[TOOL_RUN_SUMMARY]：實際用到的 Letta 工具與命中摘要

• 🗂️[PERSONAL]：命中的你自己資料（含檔名／時間／路徑）。

• 🌐[WEB]：2–3 條權威來源（每條 2–4 句摘錄＋連結＋日期）。

• 🧩[CODE｜NEXT STEPS]：告訴你為什麼選 C／O／D／E，並給對應黑框指令，不用自己寫 JSON。

• ⚠️[LIMITS]：資料時效、授權、缺口。

• 🔧[TOOL_RUN_SUMMARY]：實際用過哪些工具，各命中幾條。

1. Semantic（= INTERNAL-FILES）

• 目的：先用「語義」命中檔案庫的真實 MoM 原文

• 工具鏈（你已用 Rules 硬化）：
  semantic_search_files → (grep_files) → open_files → send_message

1. Archival（= INTERNAL-ARCHIVAL）

• 目的：查已落盤的摘要/索引（標題/關鍵詞式），或在 D/E 後把新知 insert 進來

• 工具：archival_memory_search（找既有條目）、archival_memory_insert（寫入）

1. Web

• 目的：內部沒有或有缺口時，補外部事實

• 工具：web_search_exa（必要時才啟動）

1. 缺乏長期狀態，跨會話難以延續與積累；

1. 上下文視窗有限，大量資料無法長期保留與檢索；

1. 即時外部資訊不足，難以取得最新且可驗證的來源；

1. 工具協作成本高，需要人手在多個系統之間來回切換。

• 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）。

• 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。

1. 長期性：資料寫進 Archival，跨會話累積並可語義檢索；

1. 可驗證：輸出分 [PERSONAL] / [WEB]，每條附來源與日期。

1. 可操作：[CODE｜NEXT STEPS] 直接給黑框指令，一鍵複製／執行。

1. 可擴充：用 MCP 擴展資料源與工具，維持低耦合、高延展架構。

• 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。

（實際鍵名 content/text 由系統偵測，這裡用 <ARCHIVAL_INSERT_KEY> 代稱）

/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>"
}

/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"
}

/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>"
}

/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…>"
}

• 🗂️[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

• 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。

• 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。

• Letta Cloud (不是 Self-Hosting) 帳戶與 API Key。 免費登記︰https://app.letta.com/signup

www.letta.com

Letta

The platform for stateful agents. Build AI agents with long-term memory, advanced reasoning, and custom tools inside a visual environment using the Agent Development Environment, or with Python and Node.js SDKs.

• Exa API Key。 (Secret Key) 免費登記 包 US$10 的免費 API 使用額度︰https://dashboard.exa.ai/

Exa

Exa

The Exa API retrieves the best, realtime data from the web for your AI

• OpenAI 帳戶（建立 Custom GPT 並啟用 Actions） (只限於 ChatGPT 付費用戶)。 https://chatgpt.com/

ChatGPT

ChatGPT

A conversational AI system that listens, learns, and challenges

• 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。

• 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) 。

• 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）。

• 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 。

1. 「搜了不開檔」 → Required Before Exit: open_files + Continue Loop
   沒開檔就不允許結束或回覆。

1. 「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。

1. 「搜完就提早收工」 → Continue Loop
   在 semantic_search_files / grep_files 不准結束。

1. 「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。

1. 「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。

• Run First / Start Constraint：semantic_search_files

• Constrain Child Tools：

1. semantic_search_files → grep_files, open_files, conversation_search

1. grep_files → open_files, conversation_search

1. conversation_search → archival_memory_search

1. open_files → send_message, archival_memory_insert

1. archival_memory_insert → send_message

1. 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）

1. 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)

1. 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。

• 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>）。

2nd Brain 個人知識助理（Letta × Exa）

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。

 (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?)

• 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)

• 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）

{
  "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
      }
    }
  }
}

• 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。)

輸入 Privacy policy 的網址

• 在 Custom GPT（2nd Brain 個人知識助理）首次提問前，自動：
  GET /v1/tools → 如未見 send_message／archival_memory_search／semantic_search_files（或 search_files）／grep／open，立刻 POST /v1/tools/add-base-tools，再 GET /v1/tools 確認。

• 提問一個你確定存在於個人庫（檔案或 Archival Memory）的主題，例如：「給我關於 AI 學習 的資料」。

• 期望在 [PERSONAL] 區塊看到命中結果。

• 詢問庫內沒有的新主題，或在原話外加提示：「請用 Exa 搜尋：<關鍵字>，取 2–3 條權威來源，每條 2–4 句摘錄並附連結。」

• 期望在 [WEB] 區塊看到外部來源摘錄＋連結。

• 輸入 /collect、/organize、/distill、/express 等（或 /execute_action 原生命令），確認系統原封送入 Letta 並執行。

• 來自 [PERSONAL] 的內容預設不做 Capture，優先建議 Organize/Distill。

• 在請求中包含 "include_return_message_types": ["tool_call_message","tool_return_message","assistant_message"]，回覆中可看到實際工具（例如 semantic_search_files）的調用與回傳節點。

1. 🗂️[PERSONAL] → 個人庫內容

1. 🌐[WEB] → 不存在詞彙，從 Exa 網上搜索所得內容

1. 🌐 [CODE｜NEXT STEPS] → 下一步行動建議 ，由 AI 判斷是否有值價值的新知識。 (例如︰ 手動複製 /execute_action 的指令再貼上到新的發言，便可以指示 Letta 進行 C｜Capture（存入 Archival Memory），將新知識儲入長期記憶。

1. ⚠️[LIMITS] → 限制與警告

• 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：

1. 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）。

1. 關掉此對話分頁→重新開一個新對話再問同一條問題。

1. 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。

• 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。

1. 直接重問一次（很多時是瞬時問題）。

1. 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。

1. 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。

• 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>> ?

• 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。

• 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。

• 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。）

1. 開 Letta ADE → Tool Manager

1. Add MCP Server：名稱填 Exa（URL：https://mcp.exa.ai/mcp）→ 設定 API Key / Access Token

1. 把 web_search_exa（及需要的 crawling_exa / company_research_exa）附加到你的 Agent

1. 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。

• 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）。

• 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。