Honcho Memory review: 90,4% houdt stand in onze herberekening, plus voor- en nadelen

Honcho Memory review: 90,4% houdt stand in onze herberekening, plus voor- en nadelen

Honcho Memory, de AGPL-3.0 geheugenlaag voor AI-agents van Plastic Labs, claimt 90,4% op LongMemEval S. Onze hertelling van de ruwe resultaatbestanden op 28 oktober 2026 kwam op hetzelfde aantal uit: 452 van 500. Op LoCoMo, waar beide kanten dezelfde 1.540 vragen beantwoorden, is de voorsprong van Honcho op gewone Claude Haiku 4.5 6,3 punten, niet de gepubliceerde 14,3.

Goed geheugen. Kleinere voorsprong. Echte afwegingen.

Is Honcho Memory het gebruiken waard? Het oordeel in één tabel

Gebruik Honcho als je agent een persoon maandenlang moet modelleren; sla het over voor document-RAG, directe recall of een closed-source fork.

Honcho is de enige AGPL-3.0-optie onder de speciale geheugenlagen (Mem0, Letta en cognee zijn Apache-2.0, LangMem is MIT), en de cloud rekent naast ingestie ook redeneren per query af.

Oudere reviews noemen nog $100 gratis tegoed. In de docs staat nu $5, plus $5 per maand met een creditcard.

Hoe werkt Honcho Memory?

Je app schrijft berichten tussen peers, en een achtergrondworker maakt daar conclusies van die je in gewone taal kunt bevragen of als context kunt ophalen.

Een peer is elke deelnemer, gebruiker of agent. De v3-quickstart in de Honcho docs toont de hele flow (broncode op 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() beantwoordt vragen in gewone taal. Hybride BM25 + vectorzoeken vindt berichten en conclusies, de afgeleide feiten van Honcho. session.context(summary=True, tokens=10_000) levert context binnen een tokenbudget voor een prompt.

Het redeneren gebeurt asynchroon. Een nieuw feit verschijnt nadat de deriver gedraaid heeft, niet bij de eerstvolgende leesactie; het representation-endpoint uit de README is de route met lage latency.

Houdt de LoCoMo-score van 89,9% stand? We hebben de ruwe bestanden opnieuw gescoord

89,9% en 90,4% komen allebei uit de ruwe bestanden van Plastic Labs; op LoCoMo is de voorsprong op Haiku alleen bij een eerlijke vergelijking maar 6,3 punten.

Op 28 oktober 2026 telden we drie resultaatbestanden uit honcho-benchmarks opnieuw na (runmap a1d689b, vernoemd naar de geteste Honcho-commit). De gepubliceerde kolom is zelf gerapporteerd op honcho.dev/evals.

De cijfers laten zien waar het verschil blijft hangen. De gepubliceerde baseline bevat 446 adversarial vragen, waarop Haiku 46,2% haalde, en de run van Honcho had er geen. Het eigen artikel van Plastic Labs, Benchmarking Honcho, zegt "Haiku alone scores 83.9%", dicht bij onze 83,6%. De evals-pagina vergelijkt simpelweg twee vragensets.

Bij korte geschiedenissen is de reden om Honcho te kiezen dus minder tokens, niet hogere nauwkeurigheid. LoCoMo-geschiedenissen van 16K tot 26K tokens passen in elk venster van 200K, en ConvoMem vond dat volledige context 70-82% haalt onder zo'n 150 gesprekken.

LongMemEval S ligt anders: bij ongeveer 115K tokens per geschiedenis houdt de voorsprong van +27,8 stand. Eén kanttekening: deze runs gebruikten een setup van december 2025 met een Haiku 4.5-dialectic, terwijl v3.4.1 (2026-10-27) standaard gpt-5.4-mini gebruikt.

# 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

Waarom kiezen developers voor Honcho?

Honcho wint op user modeling: het houdt een lopend beeld bij van wie iemand is, en dat geheugen volgt die persoon door al zijn agent-tools.

Vectorize (maker van het concurrerende Hindsight) schreef in maart 2026 een vergelijking van Hermes-geheugenproviders die Honcho een gedragsmodel van de gebruiker noemt, "not just a fact store". Elke reden heeft een addertje.

Bij tokenbesparing loopt de marketing voor op de feiten. De homepage adverteert met 60-90%, maar de evals-pagina noemt 89% op LongMemEval S, 52% op LoCoMo en 16% op BEAM 100K. Een op de homepage geciteerde bouwer meldt 10-15%.

Wie gebruikt Honcho, en voor wie is het?

542.206 downloads van de Python-SDK in de maand tot 28 oktober 2026 laten zien dat Honcho echte gebruikers heeft, vooral agentbouwers rond Hermes en coding agents.

caption: Adoptiesignalen, opgehaald op 2026-10-28.
items:
  - value: 542206
    label: PyPI honcho-ai downloads, afgelopen maand
    source: pypistats.org
  - value: 101791
    label: npm @honcho-ai/sdk downloads, 27 sep t/m 26 okt
    source: api.npmjs.org
  - value: 7803
    label: GitHub-sterren, 954 forks
    source: GitHub API

De homepage noemt de logostrip "Used by developers at". Dat betekent individuele developers bij deze organisaties, geen bedrijfsbrede contracten of casestudy's.

Hermes Agent van Nous Research levert Honcho als geheugenplugin (hermes plugins install honcho), en de Hermes Honcho-docs noemen vijf tools, van honcho_profile tot honcho_conclude.

Populair is niet hetzelfde als consensus. In een Hermes-poll op X met 138 antwoorden (okt 2026) stonden Markdown-notities op één (27), Hindsight op twee (25) en Honcho op drie (22).

• Goede match: companions, tutors en coachingagents
• Goede match: persoonlijke coding agents die Claude Code, Codex en Cursor delen
• Slechte match: document-RAG, recall in de volgende beurt, closed-source forks

Voor- en nadelen van Honcho: wat betaal je voor de nauwkeurigheid?

De nauwkeurigheid van Honcho is echt; je betaalt met vertraging, tokenoverhead, een zware self-hostingstack en de AGPL, dus reken met alle vier.

Self-hosten vraagt Postgres met pgvector, een deriver worker en een LLM met tool calling (standaard: gpt-5.4-mini, text-embedding-3-small). De CLI start de API, de deriver, Postgres en Redis; Docker Compose werkt ook.

# .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

Voordelen: waar Honcho zijn plek verdient

• User modeling waarvan developers zeggen dat het weet wie je bent
• Het sterkste resultaat bij lange geschiedenissen in onze hertelling: +27,8 op LongMemEval S
• Open source, zelf te hosten, met plugins voor Claude Code, Codex, Cursor, Hermes en meer

Nadelen: wat het je kost

• Vertraging. Developers melden een dialectic-trace van 9,1 s op minimal (#1101) en 2,16 s extra bij elke Hermes-API-beurt (#1289). De "~200 ms" op de homepage is een claim van de leverancier over context().
• Querykosten. Bij 10.000 gebruikers die elk 20K tokens per maand toevoegen, kost ingestie $400, maar 30 Low-tier queries per gebruiker kosten $3,000 (Minimal: $300). De querytier, niet de ingestie, bepaalt je Honcho-rekening.
• Onderhoud bij self-hosten. GitHub-gebruikers melden dat geheugen ontbreekt totdat de deriver flusht (#494) en een hardgecodeerde modelfallback (#1180). Uit de cloud stappen betekent berichten opnieuw afspelen, want embeddings worden niet geëxporteerd (#721).
• AGPL-3.0. Een vergelijkend artikel zegt dat self-hosten je dwingt de broncode van je app vrij te geven. Dat is overdreven: AGPL §13 geldt wanneer je Honcho aanpast en gebruikers het via een netwerk bereiken. Mem0, Letta en cognee zijn Apache-2.0 en LangMem is MIT, dus Honcho is de copyleft-uitzondering onder de speciale geheugenlagen. Geen juridisch advies.

Draai de quickstart op het tegoed van $5 met één echt gesprekslog voordat je je vastlegt.

Veelgestelde vragen

Is Honcho Memory gratis?

Gedeeltelijk. De cloud geeft $5 tegoed, plus $5 per maand met een creditcard, en startups die minder dan $5M hebben opgehaald kunnen $1,000 aan tegoed krijgen. Self-hosten kost geen licentie onder AGPL-3.0, maar je betaalt je eigen LLM- en embeddingrekeningen.

Kan ik Honcho gebruiken in een closed-source SaaS?

Ja, als je app een ongewijzigde Honcho-server via de API aanroept. Pas je Honcho aan en bied je het via een netwerk aan, dan vereist AGPL §13 dat je die aangepaste Honcho-broncode aanbiedt. Je eigen app blijft gesloten. Geen juridisch advies; vraag een jurist als je forkt.

Honcho vs Mem0 of Hindsight: wat kies ik?

Kies Mem0 (Apache-2.0) voor de snelste start, Hindsight (MIT) om tokens te besparen en Honcho voor user modeling. Een developer meldt dat Hindsight op Hermes "used far fewer tokens" (X, okt 2026). De blog van Mem0 zegt dat Honcho geen publieke benchmarks heeft, maar sinds 2025-12-19 zijn er 21 ruwe resultaatbestanden gepubliceerd. Zie het volledige overzicht.

title: Bronnen
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