O Letta (antigo MemGPT) é um framework de agentes com camadas de memória estruturadas, feito para lançar produtos de IA voltados ao cliente final. O SynaBun é um toolkit MCP com 157 ferramentas, feito para se conectar a agentes de IA que programam, como Claude Code, Codex, OpenCode e Gemini. Territórios vizinhos, trabalhos diferentes.
| Recurso | SynaBun | Letta (MemGPT) |
|---|---|---|
| Uso principal | Toolkit MCP para agentes de IA que programam | Framework de agentes para produtos de IA |
| Ferramentas MCP | 157 (nativas) | 4 (via wrapper) |
| Arquitetura de memória | Categorias + importância + recuperação híbrida | Blocos estruturados (core/archival/recall) |
| Embedding padrão | all-MiniLM-L6-v2 (local) | OpenAI / configurável |
| Latência de embedding (p50) | ~12ms | ~240ms (nuvem) / ~30-50ms (local) |
| Recuperação de ponta a ponta (p50) | 17ms | 110ms (self-hosted) |
| Backend de armazenamento | SQLite (FTS5 + BLOBs de vetores) | Postgres + pgvector |
| Roda offline (por padrão) | Sim | Só self-hosted, exige LLM local |
| Configuração self-hosted | npm install -g synabun | Docker compose (Postgres + API + runtime) |
| SDK de agentes integrado | Não (usa o cliente de IA conectado) | Sim |
| Multi-tenant desde o projeto | Não (um único usuário) | Sim |
| Automação de navegador | 46 ferramentas | Não tem |
| Extração de redes sociais | 7 plataformas | Não tem |
| Quadro branco visual | Sim | Não tem |
| Loops autônomos | Sim (cron) | Loop do runtime de agentes |
| Visualização 3D das memórias | Sim | Não |
| Hooks de ciclo de vida do Claude Code | 10 scripts de hook | Não tem |
| Servidor MCP nativo | Sim | Wrapper |
| Suporte a painel lateral (Claude/Codex/OpenCode) | Sim | Não |
| Opção de nuvem gerenciada | Não | Sim (Letta Cloud, pago) |
| Licença | Apache 2.0 (sem fork comercial) | Apache 2.0 + nuvem comercial |
| Origem na pesquisa | Feito para a era do MCP (2025-2026) | Artigo do MemGPT (UC Berkeley, 2023) |
Modelo de memória estruturado. A divisão core/archival/recall é bem pensada de verdade. A memória core guarda persona + preferências (sempre no contexto). A archival guarda fatos de longo prazo (com busca vetorial). A recall guarda o histórico de conversa (filtrado). O próprio agente promove e rebaixa memórias entre as camadas. Para produtos que precisam de "a IA lembra quem eu sou", esse é o modelo certo.
Framework de agentes. O Letta não é só memória — é um runtime de agentes completo. Se você está construindo um produto de IA voltado ao cliente (agente de suporte, copiloto de vendas, assistente dentro do app), o Letta entrega o loop do agente, o modelo de memória e o SDK em um pacote só.
Multi-tenant desde o projeto. O Letta foi feito para hospedar muitos agentes atendendo muitos usuários. O SynaBun parte de um único desenvolvedor em uma única máquina. Para produtos multi-tenant, o Letta é a arquitetura certa.
Origem na pesquisa. O artigo original do MemGPT foi amplamente citado. As ideias de memória estruturada já foram testadas na prática e são bem compreendidas.
Nativo em MCP. O SynaBun nasceu como servidor MCP desde o primeiro dia. São 157 ferramentas expostas nativamente pelo protocolo MCP. O Letta tem suporte a MCP, mas é um wrapper em volta do framework de agentes — a camada de abstração adiciona atrito.
Leque de ferramentas. Um assistente que conhece suas memórias e despacha workers do Claude Code, do Codex e do OpenCode, automação de navegador (46 ferramentas Playwright), extração de redes sociais (7 plataformas), quadro branco 3D, hooks do Claude Code, bots de Discord, Universal MCP Management. O leque de ferramentas do Letta é menor e gira em torno do modelo de memória.
Latência. SQLite local + embeddings locais superam Postgres self-hosted + embeddings na nuvem em qualquer carga de trabalho, por 5-10x. Em sessões interativas de código, isso faz diferença.
Instalação simples. Um comando npm contra um Docker compose com Postgres + API + runtime de agentes. O SynaBun é plug-and-play; o Letta é "suba a stack inteira".
Ergonomia pensada para quem programa. O SynaBun foi feito para o workflow de um desenvolvedor que usa o Claude Code. Recuperação automática no início da sessão. Salvamento automático no fim da sessão. Organização por categorias que acompanha projetos + assuntos. O Letta foi feito para produtos de IA — sua ergonomia é voltada a engenheiros de produto que integram recursos de IA, não a desenvolvedores que usam IA para escrever código.
Escolha o Letta se: você está construindo um produto de IA voltado ao cliente, precisa de camadas de memória estruturadas, quer um framework de agentes multi-tenant, seu produto precisa de um loop de agente com chamada de ferramentas + memória + persistência já embutidas, ou você quer um serviço gerenciado na nuvem para hospedar os agentes.
Escolha o SynaBun se: você é um desenvolvedor solo ou faz parte de um time pequeno que usa ferramentas de IA para programar todo dia, quer uma única instalação MCP para memória + navegador + redes sociais + loops, a latência pesa no seu workflow diário, quer uma stack totalmente local, ou quer integração de primeira classe com Claude Code/Codex/OpenCode/Gemini.
Dá — e, ao contrário de SynaBun + Mem0, essa combinação faz algum sentido. O Letta pode ser o framework de agentes de um produto voltado ao cliente, enquanto o SynaBun fornece memória + ferramentas do lado do desenvolvedor para o time que constrói esse produto. Os dois repositórios de memória ficam separados (memória de desenvolvedor não é a mesma coisa que memória de produto).
Dito isso, a maioria dos times vai acabar escolhendo um só. Rodar os dois pesa mais na operação do que o ganho costuma justificar.
Para migrar do Letta para o SynaBun: exporte as memórias archival pela API do Letta → gere os embeddings de novo com all-MiniLM-L6-v2 → importe pela ferramenta remember do SynaBun. A memória core não tem um equivalente direto no SynaBun — o bloco de persona "sempre no contexto" do Letta está mais perto de um arquivo CLAUDE.md do que de uma entrada de memória. A pontuação de importância do SynaBun (10 = fundamental) é o mapeamento mais próximo.
Um comando. SQLite + embeddings locais. 157 ferramentas MCP.
Ver a documentação GitHub