Letta (antes MemGPT) es un framework de agentes con niveles de memoria estructurados, pensado para lanzar productos de IA de cara al cliente. SynaBun es un kit de herramientas MCP con 157 herramientas, pensado para conectarse a agentes de programación con IA como Claude Code, Codex, OpenCode y Gemini. Terrenos vecinos, trabajos distintos.
| Función | SynaBun | Letta (MemGPT) |
|---|---|---|
| Caso de uso principal | Kit de herramientas MCP para agentes de programación con IA | Framework de agentes para productos de IA |
| Herramientas MCP | 157 (nativas) | 4 (mediante wrapper) |
| Arquitectura de memoria | Categorías + importancia + recuperación híbrida | Bloques estructurados (core/archival/recall) |
| Embedding por defecto | all-MiniLM-L6-v2 (local) | OpenAI / configurable |
| Latencia de embedding (p50) | ~12ms | ~240ms (nube) / ~30-50ms (local) |
| Recuperación de extremo a extremo (p50) | 17ms | 110ms (self-hosted) |
| Backend de almacenamiento | SQLite (FTS5 + BLOBs vectoriales) | Postgres + pgvector |
| Funciona sin conexión (por defecto) | Sí | Solo self-hosted, requiere un LLM local |
| Instalación self-hosted | npm install -g synabun | Docker compose (Postgres + API + runtime) |
| SDK de agentes integrado | No (usa el cliente de IA anfitrión) | Sí |
| Multiinquilino por diseño | No (un solo usuario) | Sí |
| Automatización del navegador | 46 herramientas | No tiene |
| Extracción de datos de redes sociales | 7 plataformas | No tiene |
| Whiteboard visual | Sí | No tiene |
| Loops autónomos | Sí (cron) | Loop del runtime de agentes |
| Visualización 3D de memorias | Sí | No |
| Hooks del ciclo de vida de Claude Code | 10 scripts de hooks | No tiene |
| Servidor MCP nativo | Sí | Wrapper |
| Compatibilidad con panel lateral (Claude/Codex/OpenCode) | Sí | No |
| Opción de nube gestionada | No | Sí (Letta Cloud, de pago) |
| Licencia | Apache 2.0 (sin fork comercial) | Apache 2.0 + nube comercial |
| Origen en la investigación | Creado para la era MCP (2025-2026) | Artículo de MemGPT (UC Berkeley, 2023) |
Modelo de memoria estructurado. La división core/archival/recall está realmente bien diseñada. La memoria core guarda la personalidad y las preferencias (siempre en contexto). La archival guarda los hechos de largo plazo (con búsqueda vectorial). La recall guarda el historial del chat (filtrado). El propio agente sube o baja las memorias de un nivel a otro. Para productos que necesitan que «la IA recuerde quién soy», este es el modelo correcto.
Framework de agentes. Letta no es solo memoria: es un runtime de agentes completo. Si estás creando un producto de IA de cara al cliente (agente de soporte, copiloto de ventas, asistente dentro de la aplicación), Letta te da el loop del agente, el modelo de memoria y el SDK en un solo paquete.
Diseño para múltiples inquilinos. Letta está pensado para alojar muchos agentes que atienden a muchos usuarios. SynaBun da por hecho un solo desarrollador en una sola máquina. Para productos con múltiples inquilinos, Letta es la arquitectura adecuada.
Origen en la investigación. El artículo original de MemGPT se ha citado muchísimo. Las ideas de memoria estructurada están más que probadas y se entienden bien.
Nativo de MCP. SynaBun nació como servidor MCP desde el primer día. 157 herramientas expuestas de forma nativa mediante el protocolo MCP. Letta es compatible con MCP, pero como un wrapper sobre el framework de agentes: la capa de abstracción añade fricción.
Herramientas disponibles. Un asistente con memoria que coordina agentes de trabajo de Claude Code, Codex y OpenCode, automatización del navegador (46 herramientas de Playwright), extracción de redes sociales (7 plataformas), whiteboard 3D, hooks de Claude Code, bots de Discord y Universal MCP Management. Letta ofrece menos herramientas y gira en torno al modelo de memoria.
Latencia. SQLite local + embeddings locales superan a Postgres self-hosted + embeddings en la nube en cualquier carga de trabajo, por 5-10x. En sesiones interactivas de programación, eso se nota.
Instalación sencilla. Un comando de npm frente a Docker compose con Postgres + API + runtime de agentes. SynaBun es instalar y usar; Letta es «levanta toda la infraestructura».
Ergonomía pensada para desarrolladores. SynaBun está hecho para el workflow de un desarrollador que usa Claude Code. Recuperación automática al iniciar la sesión. Guardado automático al terminarla. Organización por categorías que se corresponde con proyectos y temas. Letta está hecho para productos de IA: su ergonomía está diseñada para ingenieros de producto que integran funciones de IA, no para desarrolladores que usan la IA para escribir código.
Elige Letta si: estás creando un producto de IA de cara al cliente, necesitas niveles de memoria estructurados, quieres un framework de agentes con múltiples inquilinos, tu producto necesita un loop de agente con llamadas a herramientas, memoria y persistencia integradas, o quieres un servicio gestionado en la nube que aloje los agentes.
Elige SynaBun si: eres un desarrollador independiente o un equipo pequeño que usa herramientas de programación con IA a diario, quieres una sola instalación de MCP para memoria + navegador + redes sociales + loops, la latencia importa en tu workflow diario, quieres una infraestructura totalmente local o quieres una integración de primer nivel con Claude Code/Codex/OpenCode/Gemini.
Sí, y a diferencia de SynaBun + Mem0, esta combinación tiene cierto sentido. Letta puede hacer de framework de agentes para un producto de cara al cliente, mientras SynaBun aporta memoria y herramientas del lado del desarrollo al equipo que crea ese producto. Los dos almacenes de memoria se mantienen separados (la memoria del desarrollador no es lo mismo que la memoria del producto).
Dicho esto, la mayoría de los equipos acabará eligiendo uno. Mantener los dos supone más carga operativa de la que suele compensar.
Para migrar de Letta a SynaBun: exporta las memorias archival con la API de Letta → vuelve a generar los embeddings con all-MiniLM-L6-v2 → impórtalas con la herramienta remember de SynaBun. La memoria core no tiene un equivalente exacto en SynaBun: el bloque de personalidad «siempre en contexto» de Letta se parece más a un archivo CLAUDE.md que a una entrada de memoria. La puntuación de importancia de SynaBun (10 = fundamental) es la correspondencia más cercana.
Un comando. SQLite + embeddings locales. 157 herramientas MCP.
Ver la documentación GitHub