Honcho memory: recensione, il 90,4% regge al nostro nuovo conteggio (pro e contro)

Honcho memory: recensione, il 90,4% regge al nostro nuovo conteggio (pro e contro)

Honcho memory, il livello di memoria per agenti IA di Plastic Labs con licenza AGPL-3.0, dichiara il 90,4% su LongMemEval S. Il nostro test del 28 ottobre 2026 ha ricontato i suoi file di risultati grezzi e ha ottenuto lo stesso 452 su 500. Su LoCoMo, con entrambi i lati che rispondono alle stesse 1.540 domande, il vantaggio di Honcho su Claude Haiku 4.5 semplice è di 6,3 punti, non i 14,3 pubblicati.

Memoria buona. Vantaggio più piccolo. Compromessi reali.

Honcho memory vale la pena? Il verdetto in una tabella

Usa Honcho quando il tuo agente deve modellare una persona nell'arco di mesi; lascialo da parte per RAG su documenti, richiamo immediato o fork closed source.

Honcho è l'unica opzione AGPL-3.0 tra i livelli di memoria dedicati (Mem0, Letta e cognee sono Apache-2.0, LangMem è MIT) e il suo cloud fattura il ragionamento a query, oltre all'ingestione.

Le recensioni più vecchie citano ancora $100 di credito gratuito. La documentazione ora parla di $5, più $5 al mese con una carta.

Come funziona Honcho memory?

La tua app scrive messaggi tra peer, e un worker in background li trasforma in conclusioni che puoi interrogare in linguaggio naturale o recuperare come contesto.

Un peer è qualsiasi partecipante, utente o agente. Il quickstart v3 nella documentazione di Honcho mostra l'intero flusso (codice sorgente su 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?")

peer.chat() risponde a domande in linguaggio naturale. La ricerca ibrida BM25 + vettoriale trova messaggi e conclusioni, cioè i fatti derivati da Honcho. session.context(summary=True, tokens=10_000) restituisce un contesto con budget di token da inserire nel prompt.

Il ragionamento è asincrono. Un nuovo fatto compare dopo l'esecuzione del deriver, non alla lettura successiva; l'endpoint representation del README è la via a bassa latenza.

Il 89,9% di Honcho su LoCoMo regge? Abbiamo ricontato i file grezzi

Sia l'89,9% sia il 90,4% si riproducono dai file grezzi di Plastic Labs; su LoCoMo, però, il vantaggio a parità di condizioni su Haiku da solo è di 6,3 punti.

Il 28 ottobre 2026 abbiamo ricontato tre file di risultati da honcho-benchmarks (cartella di esecuzione a1d689b, che prende il nome dal commit di Honcho testato). La colonna dei valori pubblicati è autodichiarata su honcho.dev/evals.

Il test mostra dove finisce la differenza. La baseline pubblicata include 446 domande avversariali, su cui Haiku ha ottenuto il 46,2%, mentre l'esecuzione di Honcho non ne conteneva nessuna. Lo stesso post di Plastic Labs, Benchmarking Honcho, scrive «Haiku alone scores 83.9%», vicino al nostro 83,6%. La pagina evals confronta semplicemente due insiemi di domande diversi.

Sulle cronologie brevi, il motivo per scegliere Honcho è l'uso di meno token, non una maggiore accuratezza. Le cronologie di LoCoMo, da 16K a 26K token, stanno in qualsiasi finestra da 200K, e ConvoMem ha rilevato che il contesto completo raggiunge il 70-82% sotto le 150 conversazioni circa.

LongMemEval S è diverso: a circa 115K token per cronologia, il vantaggio di +27,8 regge. Una precisazione sul perimetro. Queste esecuzioni usavano una configurazione di dicembre 2025 con un dialectic basato su Haiku 4.5, mentre la v3.4.1 (2026-10-27) usa gpt-5.4-mini come default.

# 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

Perché gli sviluppatori scelgono Honcho?

Honcho vince sulla modellazione dell'utente. Tiene un quadro aggiornato di chi è una persona, e quella memoria la segue tra i suoi strumenti di agenti.

Vectorize (l'azienda dietro Hindsight, concorrente di Honcho) ha scritto a marzo 2026 un confronto dei provider di memoria per Hermes che lo definisce un modello comportamentale dell'utente, «not just a fact store». Ogni motivo ha il suo problema.

Sui risparmi di token il marketing corre più della realtà. La homepage promette il 60-90%, ma la pagina evals riporta l'89% su LongMemEval S, il 52% su LoCoMo e il 16% su BEAM 100K. Un builder citato nella homepage parla del 10-15%.

Chi usa Honcho e per chi è pensato?

542.206 download dell'SDK Python nel mese fino al 28 ottobre 2026 dicono che Honcho ha utenti veri, soprattutto chi costruisce agenti attorno a Hermes e ai coding agent.

caption: Segnali di adozione, rilevati il 2026-10-28.
items:
  - value: 542206
    label: download PyPI di honcho-ai, ultimo mese
    source: pypistats.org
  - value: 101791
    label: download npm di @honcho-ai/sdk, dal 27 set al 26 ott
    source: api.npmjs.org
  - value: 7803
    label: stelle su GitHub, 954 fork
    source: GitHub API

La homepage intitola la fascia dei loghi «Used by developers at». Significa singoli sviluppatori di queste organizzazioni, non contratti aziendali né casi di studio.

Hermes Agent di Nous Research include Honcho come plugin di memoria (hermes plugins install honcho), e la documentazione Hermes su Honcho elenca cinque strumenti, da honcho_profile a honcho_conclude.

La popolarità non è consenso. Un sondaggio su X con 138 risposte tra utenti Hermes (ott 2026) ha messo al primo posto le note in Markdown (27), al secondo Hindsight (25) e al terzo Honcho (22).

• Adatto a: companion, tutor e agenti di coaching
• Adatto a: coding agent personali condivisi tra Claude Code, Codex e Cursor
• Poco adatto a: RAG su documenti, richiamo al turno successivo, fork closed source

Pro e contro di Honcho: cosa dai in cambio dell'accuratezza?

L'accuratezza di Honcho è reale; il prezzo sono latenza, overhead di token, uno stack self-hosted pesante e l'AGPL, quindi mettili tutti e quattro a budget.

Il self-hosted richiede Postgres con pgvector, un worker deriver e un LLM con tool calling (default: gpt-5.4-mini, text-embedding-3-small). La CLI avvia API, deriver, Postgres e Redis; funziona anche Docker Compose.

# .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

Pro: dove Honcho si guadagna il posto

• Una modellazione dell'utente che gli sviluppatori descrivono come «sa chi sei»
• Il risultato migliore sulle cronologie lunghe nel nostro conteggio: +27,8 su LongMemEval S
• Open source, installabile in self-hosted, con plugin per Claude Code, Codex, Cursor, Hermes e altri

Contro: cosa ti costa

• Latenza. Gli sviluppatori segnalano una traccia dialectic minimal di 9,1 s (#1101) e 2,16 s aggiunti a ogni turno API di Hermes (#1289). I «~200 ms» della homepage sono un'affermazione del fornitore su context().
• Costo delle query. Con 10.000 utenti che aggiungono 20K token al mese, l'ingestione costa $400, ma 30 query di livello Low ciascuno costano $3,000 (Minimal: $300). Il livello delle query, non l'ingestione, decide la tua fattura Honcho.
• Manutenzione del self-hosted. Su GitHub gli utenti segnalano memoria mancante finché il deriver non fa il flush (#494) e un fallback di modello cablato nel codice (#1180). Lasciare il cloud significa rigiocare i messaggi, perché gli embedding non si esportano (#721).
• AGPL-3.0. Un articolo di confronto sostiene che il self-hosting ti obbliga a rilasciare il sorgente della tua app. È una forzatura: la sezione 13 dell'AGPL scatta quando modifichi Honcho e gli utenti vi accedono via rete. Mem0, Letta e cognee sono Apache-2.0 e LangMem è MIT, quindi Honcho è l'eccezione copyleft tra i livelli di memoria dedicati. Non è consulenza legale.

Prima di impegnarti, esegui il quickstart con i $5 di credito su un vero log di conversazione.

Domande frequenti

Honcho memory è gratuito?

In parte. Il cloud offre $5 di credito, più $5 al mese con una carta, e le startup che hanno raccolto meno di $5M possono ottenere $1,000 di credito. Il self-hosted non ha costi di licenza con l'AGPL-3.0, ma paghi tu le fatture di LLM ed embedding.

Posso usare Honcho in un SaaS closed source?

Sì, se la tua app chiama un server Honcho non modificato tramite la sua API. Se modifichi Honcho e lo esponi via rete, la sezione 13 dell'AGPL richiede di offrire il sorgente di quella versione modificata. La tua app resta chiusa. Non è consulenza legale; chiedi a un legale se fai un fork.

Honcho vs Mem0 o Hindsight: quale scegliere?

Scegli Mem0 (Apache-2.0) per partire più in fretta, Hindsight (MIT) per risparmiare token e Honcho per la modellazione dell'utente. Uno sviluppatore segnala che Hindsight «used far fewer tokens» su Hermes (X, ott 2026). Il blog di Mem0 dice che Honcho non ha benchmark pubblici, eppure dal 2025-12-19 ne ha pubblicati 21 file di risultati grezzi. Vedi la classifica completa.

title: Fonti
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