Agent File（.af）：给 AI Agent 定制的「可移植人格U盘」

你用过 ChatGPT，你有没有想过：它每次对话结束，所有记忆就消失了——就像和一个失忆症患者聊天，第二天什么都不记得。

Agent File（.af） 就是来解决这个问题的。它不是一个聊天机器人，而是一个开放的文件格式标准——专门用来序列化（保存/导出/分享）有持久记忆和固定行为模式的 AI Agent。就像用 .docx 保存 Word 文档、用 .psd 保存 Photoshop 项目一样，你可以把一个完整的、训练好的、有记忆的 AI Agent 打包成一个 .af 文件，发给任何人。

图1：Agent File 格式标识

这个项目由 Letta（母公司 letta-ai）主导开发，Letta 是斯坦福团队创立的 AI Agent 平台公司，主仓库 letta-ai/letta 拥有超过 23,300 颗星，在有状态 AI Agent 领域是当之无愧的标杆项目。

这个格式里装了什么？

一个 .af 文件本质上是一个 JSON，但结构被精心设计，包含了让一个 AI Agent「完整存在」所必需的一切：

组成部分	说明
system prompt	核心人格定义，告诉 Agent「我是谁」「我该怎么说话」
memory blocks	可编辑的记忆块，包含 Agent 对自己的描述（personality）和对用户的了解（user information）
tools	工具配置：代码实现 + 函数 schema，告诉 Agent 能调用哪些外部能力
tool_ids / block_ids	引用 ID 清单，确保序列化后能精确重建关联关系
tool_rules	工具使用规则，比如「调用搜索前必须先理解用户意图」
LLM settings	模型参数配置（温度、最大 token 数等）
tags	元数据标签，如 `origin:letta-chat`、`view:letta-chat`

以项目内置的 Loop Agent 为例，它的 system prompt 定义了非常具体的行为规范：说话直接、不用感叹号、回应深度匹配问题复杂度、记住用户上下文但不刻意强调。这种细腻的性格设计，以 JSON 形式固化在 .af 文件里，任何运行 Letta 框架的平台都能完整还原。

怎么用？

场景一：在 Letta ADE 导入

下载 .af 文件
打开 Letta ADE
点击「Import Agent」，选择文件

导入 Agent 演示 图2：通过 Letta ADE 导入 Agent File

场景二：用 Python SDK 部署

from letta_client import Letta

client = Letta(base_url="http://localhost:8283")
agent_state = client.agents.import_file(file=open("loop.af", "rb"))
print(f"Imported agent: {agent_state.id}")

场景三：用 TypeScript SDK

import { LettaClient } from '@letta-ai/letta-client'
import { readFileSync } from 'fs'

const client = new LettaClient({ baseUrl: "http://localhost:8283" })
const file = new Blob([readFileSync("loop.af")], { type: "application/json" })
const agent = await client.agents.importFile({ file })

两种 SDK 都由 letta-client 包提供，安装方式：pip install letta-client>=1.0.0 或 npm install @letta-ai/letta-client@^1.0.0。

技术架构

从仓库结构来看，agent-file 本身是一个 Next.js 16 + React 19 前端项目，用 tailwindcss 做样式，@radix-ui 做组件库，zod 做表单验证，react-hook-form 做表单管理，recharts 做数据可视化。TypeScript 配置使用 swc 做编译器。

核心类型定义（index.d.ts）声明了 .af 和 .webp 文件的模块导入方式，并集成了 next-intl 做国际化翻译。整个项目的定位是 Agent 目录展示站：托管所有公开分享的 .af 文件，同时提供导入/导出的能力。

项目的真正价值不在代码本身，而在于 .af 格式规范的推广——它定义了有状态 Agent 的序列化标准，让不同框架之间可以互操作 Agent 记忆和人设。

技术亮点

格式开放：不属于任何私有平台，任何实现 .af 规范的框架都可以读写
记忆可版本化：Agent 的记忆状态可以像代码一样 commit、diff、回滚
工具可迁移：Agent 配置的工具 schema 和代码可以打包带走
Checkpoint 支持：可以在任意时刻保存 Agent 快照，分享给其他人继续对话

局限与挑战

目前 .af 格式的生态还处于早期：

框架绑定：严格来说，只有兼容 Letta 的 Agent 框架才能正确解析 .af——但格式本身是开放的，其他框架可以自行实现解析器
工具代码嵌入：.af 文件内只存储工具的 schema 和引用 ID，工具的实际代码不在包里，需要目标环境预先安装
无加密机制：.af 是纯 JSON，任何人都可以阅读其中的 system prompt 和记忆内容，不适合包含敏感信息的 Agent
前端项目无容器化：本仓库没有 Dockerfile 或 docker-compose，无法一键部署 Agent 目录站

行业意义

AI Agent 行业正从「对话」走向「持久实体」。当 Agent 能记住用户偏好、能积累行业知识、能在多轮对话中持续进化时，如何保存、分享、部署这些 Agent 就成了一个真实的需求。

Agent File 填补了这个空白——它类似于游戏存档文件（.sav），但针对 AI Agent 做了专门设计。如果这个格式得到更多框架采纳，开发者就可以像分享开源代码一样分享「训练好」的 AI Agent，形成类似 Hugging Face 模型市场的 Agent 市场。

这个方向值得持续关注。

Agent File（.af）：给 AI Agent 定制的「可移植人格U盘」

你用过 ChatGPT，你有没有想过：它每次对话结束，所有记忆就消失了——就像和一个失忆症患者聊天，第二天什么都不记得。

图1：Agent File 格式标识

这个格式里装了什么？

一个 .af 文件本质上是一个 JSON，但结构被精心设计，包含了让一个 AI Agent「完整存在」所必需的一切：

组成部分	说明
system prompt	核心人格定义，告诉 Agent「我是谁」「我该怎么说话」
memory blocks	可编辑的记忆块，包含 Agent 对自己的描述（personality）和对用户的了解（user information）
tools	工具配置：代码实现 + 函数 schema，告诉 Agent 能调用哪些外部能力
tool_ids / block_ids	引用 ID 清单，确保序列化后能精确重建关联关系
tool_rules	工具使用规则，比如「调用搜索前必须先理解用户意图」
LLM settings	模型参数配置（温度、最大 token 数等）
tags	元数据标签，如 `origin:letta-chat`、`view:letta-chat`

怎么用？

场景一：在 Letta ADE 导入

下载 .af 文件
打开 Letta ADE
点击「Import Agent」，选择文件

导入 Agent 演示 图2：通过 Letta ADE 导入 Agent File

场景二：用 Python SDK 部署

from letta_client import Letta

client = Letta(base_url="http://localhost:8283")
agent_state = client.agents.import_file(file=open("loop.af", "rb"))
print(f"Imported agent: {agent_state.id}")

场景三：用 TypeScript SDK

import { LettaClient } from '@letta-ai/letta-client'
import { readFileSync } from 'fs'

const client = new LettaClient({ baseUrl: "http://localhost:8283" })
const file = new Blob([readFileSync("loop.af")], { type: "application/json" })
const agent = await client.agents.importFile({ file })

两种 SDK 都由 letta-client 包提供，安装方式：pip install letta-client>=1.0.0 或 npm install @letta-ai/letta-client@^1.0.0。

技术架构

项目的真正价值不在代码本身，而在于 .af 格式规范的推广——它定义了有状态 Agent 的序列化标准，让不同框架之间可以互操作 Agent 记忆和人设。

技术亮点

格式开放：不属于任何私有平台，任何实现 .af 规范的框架都可以读写
记忆可版本化：Agent 的记忆状态可以像代码一样 commit、diff、回滚
工具可迁移：Agent 配置的工具 schema 和代码可以打包带走
Checkpoint 支持：可以在任意时刻保存 Agent 快照，分享给其他人继续对话

局限与挑战

目前 .af 格式的生态还处于早期：

框架绑定：严格来说，只有兼容 Letta 的 Agent 框架才能正确解析 .af——但格式本身是开放的，其他框架可以自行实现解析器
工具代码嵌入：.af 文件内只存储工具的 schema 和引用 ID，工具的实际代码不在包里，需要目标环境预先安装
无加密机制：.af 是纯 JSON，任何人都可以阅读其中的 system prompt 和记忆内容，不适合包含敏感信息的 Agent
前端项目无容器化：本仓库没有 Dockerfile 或 docker-compose，无法一键部署 Agent 目录站

行业意义

这个方向值得持续关注。