Honcho memory: نتيجة 90.4% تصمد في إعادة التصحيح لدينا، مع المزايا والعيوب

Honcho memory: نتيجة 90.4% تصمد في إعادة التصحيح لدينا، مع المزايا والعيوب

Honcho memory هو طبقة ذاكرة لوكلاء الذكاء الاصطناعي من Plastic Labs بترخيص AGPL-3.0، وهو طبقة ذاكرة للوكلاء يدّعي 90.4% على LongMemEval S. اختبارنا في 28 أكتوبر 2026 أعاد عدّ ملفات نتائجه الخام وخرج بالرقم نفسه: 452 من 500. وفي LoCoMo، حين يجيب الطرفان عن الأسئلة نفسها (1,540 سؤالًا)، يتقدّم Honcho على Claude Haiku 4.5 العادي بـ 6.3 نقطة، لا 14.3 كما في المنشور.

ذاكرة جيدة. تقدّم أصغر. مقايضات حقيقية.

هل يستحق Honcho memory الاستخدام؟ الحكم في جدول واحد

استخدم Honcho حين يجب أن يبني وكيلك نموذجًا لشخص على مدى أشهر؛ وتجاوزه إذا كنت تحتاج RAG للمستندات أو استدعاءً فوريًا أو نسخة مغلقة المصدر.

Honcho هو الخيار الوحيد بترخيص AGPL-3.0 بين طبقات الذاكرة المخصصة (Mem0 وLetta وcognee بترخيص Apache-2.0، وLangMem بترخيص MIT)، وسحابته تحاسب على الاستدلال لكل استعلام فوق تكلفة الإدخال.

ما زالت مراجعات أقدم تذكر $100 رصيدًا مجانيًا. الوثائق تقول الآن $5، مع $5 شهريًا عند ربط بطاقة.

كيف يعمل Honcho memory؟

يكتب تطبيقك الرسائل بين الأطراف (peers)، ويحوّلها عامل في الخلفية إلى استنتاجات تستعلم عنها بلغة طبيعية أو تسحبها كسياق.

الطرف (peer) هو أي مشارك، مستخدمًا كان أم وكيلًا. تعرض البداية السريعة للإصدار v3 في وثائق Honcho التدفق كاملًا (الشيفرة المصدرية على GitHub):

import os
from honcho import Honcho
honcho = Honcho(workspace_id="my-app-testing", api_key=os.environ["HONCHO_API_KEY"])
alice = honcho.peer("alice")
tutor = honcho.peer("tutor")
session = honcho.session("session-1")
session.add_messages([
    alice.message("Hey there — can you help me with my math homework?"),
    tutor.message("Absolutely. Send me your first problem!"),
])
answer = alice.chat("What learning styles does the user respond to best?")

يجيب peer.chat() عن الأسئلة بلغة طبيعية. والبحث الهجين BM25 + المتجهات يجد الرسائل والاستنتاجات، وهي الحقائق التي يشتقها Honcho. أما session.context(summary=True, tokens=10_000) فيعيد سياقًا بميزانية رموز محددة للموجِّه (Prompt).

الاستدلال غير متزامن. تظهر الحقيقة الجديدة بعد تشغيل deriver، لا عند القراءة التالية؛ ونقطة النهاية representation في README هي المسار منخفض زمن الاستجابة.

هل تصمد نتيجة Honcho البالغة 89.9% في LoCoMo؟ أعدنا تصحيح الملفات الخام

النتيجتان 89.9% و90.4% تتكرران من ملفات Plastic Labs الخام؛ لكن في LoCoMo يبلغ التقدّم المتكافئ على Haiku وحده 6.3 نقطة.

في 28 أكتوبر 2026 أعدنا عدّ ثلاثة ملفات نتائج من honcho-benchmarks (مجلد التشغيل a1d689b، سُمّي باسم commit الذي اختُبر من Honcho). العمود المنشور ذاتي الإبلاغ على honcho.dev/evals.

اختبارنا يُظهر أين يذهب الفرق. خط الأساس المنشور يشمل 446 سؤالًا عدائيًا (adversarial) سجّل فيها Haiku نسبة 46.2%، ولم يكن في تشغيل Honcho أي منها. منشور Plastic Labs نفسه Benchmarking Honcho يقول إن «Haiku وحده يسجّل 83.9%»، وهو قريب من 83.6% لدينا. صفحة evals تقارن ببساطة مجموعتين مختلفتين من الأسئلة.

على التواريخ القصيرة، سبب اختيار Honcho هو رموز أقل لا دقة أعلى. تواريخ LoCoMo من 16 ألفًا إلى 26 ألف رمز تتسع في أي نافذة بحجم 200 ألف، ووجدت ConvoMem أن السياق الكامل يبلغ 70-82% تحت نحو 150 محادثة.

LongMemEval S مختلف: عند نحو 115 ألف رمز لكل تاريخ، يصمد التقدّم +27.8. ملاحظة نطاق واحدة: استخدمت هذه التشغيلات إعدادًا من ديسمبر 2025 مع dialectic على Haiku 4.5، بينما يعتمد v3.4.1 (2026-10-27) افتراضيًا gpt-5.4-mini.

# files: github.com/plastic-labs/honcho-benchmarks, folder a1d689b
import json, statistics
def score(f, drop_adv=True):
    per_conv = []
    for c in json.load(open(f))["detailed_results"]:
        qs = [q for q in c["question_results"] if not (drop_adv and q["category_name"] == "adversarial")]
        per_conv.append(sum(q["passed"] for q in qs) / len(qs))
    return round(100 * statistics.mean(per_conv), 1)
print(score("locomo_results_20251215_175728.json"))                  # 89.9
print(score("locomo_baseline_results_20251215_184837.json"))         # 83.6, same 1,540 Qs
print(score("locomo_baseline_results_20251215_184837.json", False))  # 75.4, incl. adversarial

لماذا يختار المطورون Honcho؟

يتفوق Honcho في نمذجة المستخدم: يحتفظ بصورة متجددة عمّن يكون الشخص، وتلحق به ذاكرته عبر أدوات وكلائه.

كتبت Vectorize (صانعة Hindsight المنافس) في مارس 2026 مقارنة لمزودي ذاكرة Hermes وصفته فيها بأنه نموذج سلوكي للمستخدم، «لا مجرد مخزن حقائق». ولكل سبب ثغرة.

توفير الرموز هو الموضع الذي يسبق فيه التسويق الواقع. تعلن الصفحة الرئيسية 60-90%، لكن صفحة evals تسرد 89% على LongMemEval S و52% على LoCoMo و16% على BEAM 100K. ويذكر باني اقتُبس منه في الصفحة الرئيسية 10-15%.

من يستخدم Honcho ولمن هو؟

542,206 تنزيلًا لحزمة Python في الشهر المنتهي في 28 أكتوبر 2026 تعني أن لـ Honcho مستخدمين حقيقيين، أغلبهم بناة وكلاء حول Hermes ووكلاء البرمجة.

caption: مؤشرات الاعتماد، جُمعت في 2026-10-28.
items:
  - value: 542206
    label: تنزيلات honcho-ai على PyPI خلال الشهر الأخير
    source: pypistats.org
  - value: 101791
    label: تنزيلات @honcho-ai/sdk على npm من 27 سبتمبر إلى 26 أكتوبر
    source: api.npmjs.org
  - value: 7803
    label: نجمة على GitHub، و954 fork
    source: GitHub API

تسمّي الصفحة الرئيسية شريط الشعارات «يستخدمه مطوّرون في». وهذا يعني مطوّرين أفرادًا يعملون في هذه المؤسسات، لا عقودًا على مستوى الشركات ولا دراسات حالة.

يشحن Hermes Agent من Nous Research مع Honcho كإضافة ذاكرة (hermes plugins install honcho)، وتسرد وثائق Hermes عن Honcho خمس أدوات، من honcho_profile إلى honcho_conclude.

الشعبية ليست إجماعًا. في استطلاع من 138 إجابة حول Hermes على X (أكتوبر 2026) جاءت ملاحظات Markdown أولًا (27)، وHindsight ثانيًا (25)، وHoncho ثالثًا (22).

• مناسب: الرفقاء الافتراضيون والمدرّسون ووكلاء التدريب
• مناسب: وكلاء البرمجة الشخصيون المشتركون بين Claude Code وCodex وCursor
• غير مناسب: RAG للمستندات، واستدعاء الدور التالي، والنسخ المغلقة المصدر

مزايا Honcho وعيوبه: ماذا تدفع مقابل الدقة؟

دقة Honcho حقيقية؛ وثمنها التأخر وعبء الرموز وحزمة استضافة ذاتية ثقيلة وترخيص AGPL، فاحسب حسابها كلها.

تحتاج الاستضافة الذاتية إلى Postgres مع pgvector وعامل deriver ونموذج LLM يدعم استدعاء الأدوات (الافتراضي: gpt-5.4-mini وtext-embedding-3-small). يشغّل CLI الـ API وderiver وPostgres وRedis؛ ويعمل Docker Compose أيضًا.

# .env: set these before starting
DERIVER_FLUSH_ENABLED=true   # small batches otherwise wait (#494)
AUTH_USE_AUTH=true           # off by default
AUTH_JWT_SECRET=your-secret  # generate with scripts/generate_jwt_secret.py

uv tool install honcho-cli
honcho start --setup

المزايا: أين يستحق Honcho مكانه

• نمذجة مستخدم يصفها المطورون بأنها تعرف من أنت
• أقوى نتيجة على التواريخ الطويلة في إعادة عدّنا: +27.8 على LongMemEval S
• مفتوح المصدر وقابل للاستضافة الذاتية، مع إضافات لـ Claude Code وCodex وCursor وHermes وغيرها

العيوب: ما الذي يكلّفك

• التأخر. يبلّغ مطورون عن أثر dialectic بمستوى minimal يستغرق 9.1 s (#1101) وعن 2.16 s تُضاف إلى كل دور في Hermes API (#1289). رقم «~200 ms» في الصفحة الرئيسية ادعاء من البائع عن context().
• تكلفة الاستعلام. لـ 10,000 مستخدم يضيف كلٌّ منهم 20 ألف رمز شهريًا، يبلغ الإدخال $400، لكن 30 استعلامًا من المستوى Low لكل منهم تبلغ $3,000 (Minimal: $300). مستوى الاستعلام، لا الإدخال، هو ما يحدد فاتورة Honcho.
• صيانة الاستضافة الذاتية. يبلّغ مستخدمو GitHub عن ذاكرة مفقودة حتى يفرغ deriver (#494) وعن نموذج احتياطي مثبّت في الشيفرة (#1180). والخروج من السحابة يعني إعادة تشغيل الرسائل، لأن التضمينات لا تُصدَّر (#721).
• AGPL-3.0. يقول مقال مقارنة واحد إن الاستضافة الذاتية تُلزمك بنشر مصدر تطبيقك. هذا مبالغة: AGPL §13 ينطبق حين تعدّل Honcho ويصل إليه المستخدمون عبر شبكة. Mem0 وLetta وcognee بترخيص Apache-2.0 وLangMem بترخيص MIT، فـ Honcho هو الشاذ ذو الـ copyleft بين طبقات الذاكرة المخصصة. ليست استشارة قانونية.

شغّل البداية السريعة على رصيد $5 مع سجل محادثة حقيقي واحد قبل أن تلتزم.

الأسئلة الشائعة

هل Honcho memory مجاني؟

جزئيًا. تمنحك السحابة رصيد $5، مع $5 شهريًا عند ربط بطاقة، ويمكن للشركات الناشئة التي جمعت أقل من $5M الحصول على رصيد $1,000. الاستضافة الذاتية بلا رسوم ترخيص بموجب AGPL-3.0، لكنك تدفع فواتير LLM والتضمين بنفسك.

هل أستخدم Honcho في SaaS مغلق المصدر؟

نعم، إذا كان تطبيقك يستدعي خادم Honcho غير المعدّل عبر الـ API. وإذا عدّلت Honcho وقدّمته عبر شبكة، يُلزمك AGPL §13 بعرض مصدر Honcho المعدّل. يبقى تطبيقك مغلقًا. ليست استشارة قانونية؛ اسأل محاميًا إن عمل fork.

Honcho أم Mem0 أم Hindsight: أيها أختار؟

اختر Mem0 (Apache-2.0) لأسرع بداية، وHindsight (MIT) لتوفير الرموز، وHoncho لنمذجة المستخدم. يبلّغ مطوّر أن Hindsight «استخدم رموزًا أقل بكثير» على Hermes (X، أكتوبر 2026). مدونة Mem0 تقول إن Honcho بلا اختبارات معيارية علنية، لكنه نشر 21 ملف نتائج خام منذ 2025-12-19. انظر الترتيب الكامل.

title: المراجع
items:
  - title: Honcho Evals
    publisher: Plastic Labs
    year: 2025
    url: https://honcho.dev/evals
  - title: plastic-labs/honcho README
    publisher: GitHub
    year: 2026
    url: https://github.com/plastic-labs/honcho
  - title: plastic-labs/honcho-benchmarks
    publisher: GitHub
    year: 2025
    url: https://github.com/plastic-labs/honcho-benchmarks
  - title: Benchmarking Honcho
    publisher: Plastic Labs
    year: 2025
    url: https://plasticlabs.ai/blog/research/Benchmarking-Honcho
  - title: Honcho Memory
    publisher: Nous Research (Hermes Agent docs)
    year: 2026
    url: https://hermes-agent.nousresearch.com/docs/user-guide/features/honcho
  - title: GNU Affero General Public License v3
    publisher: Free Software Foundation
    year: 2007
    url: https://www.gnu.org/licenses/agpl-3.0.html
  - title: "LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory"
    publisher: arXiv
    year: 2024
    url: https://arxiv.org/abs/2410.10813
  - title: Evaluating Very Long-Term Conversational Memory of LLM Agents (LoCoMo)
    publisher: arXiv
    year: 2024
    url: https://arxiv.org/abs/2402.17753
  - title: ConvoMem
    publisher: arXiv
    year: 2025
    url: https://arxiv.org/abs/2511.10523