Honcho Memory-test: 90.4% holder i vår omscoring, pluss fordeler og ulemper

Honcho Memory-test: 90.4% holder i vår omscoring, pluss fordeler og ulemper

Honcho memory, Plastic Labs' AGPL-3.0-lisensierte minnelag for AI-agenter, hevder 90.4 % på LongMemEval S. Testingen vår 28. oktober 2026 telte opp de rå resultatfilene på nytt og endte på de samme 452 av 500. På LoCoMo, der begge sider svarer på de samme 1,540 spørsmålene, er Honchos forsprang over vanlig Claude Haiku 4.5 på 6.3 poeng, ikke de publiserte 14.3.

Godt minne. Mindre forsprang. Reelle kompromisser.

Er Honcho Memory verdt å bruke? Dommen i én tabell

Bruk Honcho når agenten din må modellere en person over måneder; hopp over det for dokument-RAG, øyeblikkelig gjenkalling eller en closed source-fork.

Honcho er det eneste AGPL-3.0-alternativet blant de dedikerte minnelagene (Mem0, Letta og cognee er Apache-2.0, LangMem er MIT), og skyen deres fakturerer resonnering per spørring i tillegg til innlesing.

Eldre omtaler siterer fortsatt $100 i gratis kreditt. Dokumentasjonen sier nå $5, pluss $5 i måneden med kort.

Hvordan fungerer Honcho Memory?

Appen din skriver meldinger mellom peers, og en bakgrunnsworker gjør dem om til konklusjoner som du kan spørre om på vanlig språk eller hente ut som kontekst.

En peer er en hvilken som helst deltaker, bruker eller agent. Quickstart for v3 i Honcho-dokumentasjonen viser hele flyten (kildekoden ligger på 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() svarer på spørsmål på vanlig språk. Hybrid BM25 + vektorsøk finner meldinger og konklusjoner, som er Honchos utledede fakta. session.context(summary=True, tokens=10_000) returnerer kontekst med tokenbudsjett til en prompt.

Resonneringen er asynkron. Et nytt faktum dukker opp etter at deriveren har kjørt, ikke ved neste lesing; representation-endepunktet i README-en er veien med lav latens.

Holder Honchos 89.9% på LoCoMo? Vi scoret de rå filene på nytt

89.9% og 90.4% lar seg begge gjenskape fra Plastic Labs' rå filer; på LoCoMo er derimot forspranget over Haiku alene 6.3 poeng når tellingen er lik.

1. oktober 2026 telte vi opp tre resultatfiler fra honcho-benchmarks (kjørings-mappen a1d689b, oppkalt etter Honcho-committen som ble testet). Kolonnen «Publisert» er selvrapportert på honcho.dev/evals.

Testingen viser hvor forskjellen blir av. Den publiserte baselinen inkluderer 446 adversarial-spørsmål, der Haiku fikk 46.2 %, og Honchos kjøring hadde ingen. Plastic Labs' eget innlegg Benchmarking Honcho sier «Haiku alone scores 83.9%», nær våre 83.6 %. Evals-siden sammenligner rett og slett to ulike spørsmålssett.

På korte historikker er grunnen til å velge Honcho færre tokens, ikke høyere treffsikkerhet. LoCoMo-historikker på 16K til 26K tokens får plass i ethvert kontekstvindu på 200K, og ConvoMem fant at full kontekst når 70-82 % under omtrent 150 samtaler.

LongMemEval S er annerledes: med omtrent 115K tokens per historikk holder forspranget på +27.8. En merknad om omfang: kjøringene brukte et oppsett fra desember 2025 med en Haiku 4.5-dialektikk, mens v3.4.1 (2026-10-27) har gpt-5.4-mini som standard.

# 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

Hvorfor velger utviklere Honcho?

Honcho vinner på brukermodellering: det holder et løpende bilde av hvem noen er, og det minnet følger dem på tvers av agentverktøyene deres.

Vectorize (som lager konkurrenten Hindsight) skrev i mars 2026 en sammenligning av minneleverandører for Hermes som kaller det en atferdsmodell av brukeren, «not just a fact store». Hver grunn har en hake.

Tokenbesparelsene er der markedsføringen løper foran. Forsiden reklamerer med 60-90 %, men evals-siden oppgir 89 % på LongMemEval S, 52 % på LoCoMo og 16 % på BEAM 100K. En bygger som siteres på forsiden melder om 10-15 %.

Hvem bruker Honcho, og hvem er det for?

542,206 nedlastinger av Python-SDK-en i måneden frem til 28. oktober 2026 viser at Honcho har ekte brukere, mest agentbyggere rundt Hermes og kodeagenter.

caption: Tegn på bruk, hentet 2026-10-28.
items:
  - value: 542206
    label: PyPI honcho-ai-nedlastinger, siste måned
    source: pypistats.org
  - value: 101791
    label: npm @honcho-ai/sdk-nedlastinger, 27. sep til 26. okt
    source: api.npmjs.org
  - value: 7803
    label: GitHub-stjerner, 954 forks
    source: GitHub API

Forsiden merker logostripen sin «Used by developers at». Det betyr enkeltutviklere hos disse organisasjonene, ikke selskapsomfattende avtaler eller kundecaser.

Nous Researchs Hermes Agent leveres med Honcho som minne-plugin (hermes plugins install honcho), og Hermes Honcho-dokumentasjonen lister fem verktøy, fra honcho_profile til honcho_conclude.

Popularitet er ikke det samme som enighet. En Hermes-avstemning på X med 138 svar (okt 2026) satte Markdown-notater først (27), Hindsight på andreplass (25) og Honcho på tredjeplass (22).

• Passer godt: følgesvenner, veiledere og coaching-agenter
• Passer godt: personlige kodeagenter som deles mellom Claude Code, Codex og Cursor
• Passer dårlig: dokument-RAG, gjenkalling i neste tur, closed source-forks

Honcho: fordeler og ulemper. Hva betaler du for treffsikkerheten?

Honchos treffsikkerhet er reell; prisen er forsinkelse, token-overhead, en tung selvhostingstack og AGPL-lisensen, så sett av rom til alle fire.

Selvhosting krever Postgres med pgvector, en deriver-worker og en LLM med tool calling (standard: gpt-5.4-mini, text-embedding-3-small). CLI-en starter API-et, deriveren, Postgres og Redis; Docker Compose fungerer også.

# .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

Fordeler: der Honcho fortjener plassen sin

• Brukermodellering som utviklere beskriver som at det vet hvem du er
• Det sterkeste resultatet på lange historikker i vår opptelling: +27.8 på LongMemEval S
• Open source, kan selvhostes, med plugins for Claude Code, Codex, Cursor, Hermes og flere

Ulemper: hva det koster deg

• Forsinkelse. Utviklere melder om et dialektikk-spor på 9.1 s i minimal-modus (#1101) og 2.16 s lagt til hver Hermes API-tur (#1289). «~200 ms» på forsiden er et leverandørpåstand om context().
• Spørringskostnad. For 10,000 brukere som legger til 20K tokens i måneden blir innlesing $400, men 30 Low-nivå-spørringer hver blir $3,000 (Minimal: $300). Spørringsnivået, ikke innlesing, avgjør Honcho-regningen din.
• Vedlikehold ved selvhosting. GitHub-brukere melder om minne som mangler til deriveren har flushet (#494) og en hardkodet modell-fallback (#1180). Å forlate skyen betyr å spille av meldingene på nytt, fordi embeddings ikke eksporteres (#721).
• AGPL-3.0. En sammenligningsartikkel hevder at selvhosting tvinger deg til å utgi appens kildekode. Det er en overdrivelse: AGPL §13 gjelder når du endrer Honcho og brukere når det over et nettverk. Mem0, Letta og cognee er Apache-2.0 og LangMem er MIT, så Honcho er copyleft-uteliggeren blant de dedikerte minnelagene. Ikke juridisk rådgivning.

Kjør quickstart på $5-kreditten med én ekte samtalelogg før du binder deg.

Ofte stilte spørsmål

Er Honcho memory gratis?

Delvis. Skyen gir $5 i kreditt, pluss $5 i måneden med kort, og oppstartsselskaper som har hentet under $5M kan få $1,000 i kreditt. Selvhosting har ingen lisensavgift under AGPL-3.0, men du betaler for dine egne LLM- og embedding-regninger.

Kan jeg bruke Honcho i en closed source-SaaS?

Ja, hvis appen din kaller en uendret Honcho-server gjennom API-et. Hvis du endrer Honcho og serverer det over et nettverk, krever AGPL §13 at du tilbyr kildekoden til den endrede Honcho-versjonen. Din egen app forblir lukket. Ikke juridisk rådgivning; spør en jurist hvis du forker.

Honcho vs Mem0 eller Hindsight: hva bør jeg velge?

Velg Mem0 (Apache-2.0) for raskest start, Hindsight (MIT) for å spare tokens, og Honcho for brukermodellering. En utvikler melder at Hindsight «used far fewer tokens» på Hermes (X, okt 2026). Mem0-bloggen sier at Honcho mangler offentlige benchmarks, men det har publisert 21 rå resultatfiler siden 2025-12-19. Se hele rangeringen.

title: Referanser
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