honcho
plastic-labs/honcho加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你一定遇到过这种情况：和 AI 聊了半天需求，关掉对话再重新开始，它就像失忆了一样，什么都不记得了。对于个人助手还好，但如果是企业级 AI Agent——需要记住客户偏好、项目背景、团队成员关系——这种"金鱼记忆"就是致命伤。
Honcho 就是来解决这个问题的。它是 Plastic Labs 开源的记忆基础设施，让 AI Agent 能够理解"人、代理、群组、项目、想法"这些实体，并追踪它们随时间的演变。用创始人 Brandon Touchette 的话说："Using Honcho as your memory system will earn your agents higher retention, more trust, and help you build data moats to out-compete incumbents."
Honcho 采用了独特的 Reasoning-first Memory（推理优先记忆） 架构，与传统 RAG 的"匹配chunk"思路截然不同。它不仅仅做向量检索，而是用小型微调模型从对话和事件中提取结论，构建"表征（Representation）"——这意味着 AI 记住的不仅是"说了什么"，更是"意味着什么"。
其工作流程被称作 The Honcho Loop：
在基准测试中，Honcho 达到了 LongMem 90.4%、LoCoMo 89.9% 的成绩（分别使用 GPT-4o 和 Gemini 3 Pro），显著超越了此前的记录。
Honcho 的核心数据模型非常清晰：
在 Peer 层面，Honcho 还支持多视角建模——即一个 Peer 可以持有对另一个 Peer 的认知表征。这在客服、销售等场景中非常有用：一个 Agent 不仅记住"客户说了什么"，还能记住"它对这位客户形成了什么样的印象"。
Honcho 服务端使用 Python 3.10+，核心依赖包括：
客户端 SDK 覆盖 Python 和 TypeScript，开箱即用。
Honcho 的野心不只是做"记忆存储"，它还深入对接了主流 Agent 工具生态：
Honcho 提供两种使用路径：
Managed 服务（api.honcho.dev）：注册即用，有 $100 免费额度，适合快速验证。
自托管：需要准备 PostgreSQL + pgvector + Redis，通过 Docker 构建镜像。官方提供 docker-compose.yml.example 模板，但需手动改名并配置 .env 文件。数据库迁移通过 Alembic 管理。
其架构图揭示了完整的请求链路：API 网关 → FastAPI 服务 → 多存储后端（pgvector/Redis/LanceDB）→ LLM 推理层。
Honcho 的评测体系涵盖三个主流记忆基准：LongMem（长程记忆）、LoCoMo（日常常识记忆）、BEAM（多代理记忆追踪）。成绩亮眼，但也有局限：
Honcho 在官方博客中宣称自己"定义了 Agent Memory 的 Pareto Frontier"——在记忆效果与推理成本之间找到了最优平衡点。这不是夸张：相比简单向量检索，它多了推理层；相比全量上下文窗口，它多了高效的结构化检索。对于需要长期跟踪用户/项目状态的 Agent 应用，Honcho 几乎是一个开箱即用的最优选择。
随着 AI Agent 从"单次对话工具"进化为"持续工作的数字员工"，记忆系统将成为标配基础设施。Honcho 凭借其清晰的架构、丰富的集成和出色的基准成绩，已经在这一赛道上占据了领先地位。
