Honcho memory: 90,4 % håller i vår omräkning, plus för- och nackdelar

Honcho memory: 90,4 % håller i vår omräkning, plus för- och nackdelar

Honcho memory, Plastic Labs AGPL-3.0-licensierade minneslager för AI-agenter, uppger 90,4 % på LongMemEval S. Vår testning den 28 oktober 2026 räknade om de råa resultatfilerna och landade på samma 452 av 500. På LoCoMo, där båda sidor besvarar samma 1 540 frågor, är Honchos försprång över vanliga Claude Haiku 4.5 6,3 poäng, inte de publicerade 14,3.

Bra minne. Mindre försprång. Verkliga kompromisser.

Är Honcho memory värt att använda? Domen i en tabell

Använd Honcho när din agent ska bygga en modell av en person över månader; hoppa över det för dokument-RAG, omedelbar återkallning eller en stängd källkodsfork.

Honcho är det enda AGPL-3.0-alternativet bland de dedikerade minneslagren (Mem0, Letta och cognee är Apache-2.0, LangMem är MIT), och molntjänsten debiterar resonemang per fråga ovanpå inläsningen.

Äldre recensioner nämner fortfarande $100 i gratis kredit. Dokumentationen säger nu $5, plus $5 i månaden med kort.

Hur fungerar Honcho memory?

Din app skriver meddelanden mellan peers, och en bakgrundsworker gör om dem till slutsatser som du kan fråga efter på vanlig svenska (eller engelska) eller hämta som kontext.

En peer är vilken deltagare som helst, användare eller agent. Snabbstarten för v3 i Honcho-dokumentationen visar hela flödet (källkod 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() besvarar frågor med vanligt språk. Hybrid BM25 + vektorsökning hittar meddelanden och slutsatser, alltså Honchos härledda fakta. session.context(summary=True, tokens=10_000) returnerar kontext inom en tokenbudget för en prompt.

Resonemanget är asynkront. Ett nytt faktum dyker upp när deriver har körts, inte vid nästa läsning; representation-endpointen i README är den väg som har låg latens.

Håller Honchos 89,9 % på LoCoMo? Vi räknade om de råa filerna

89,9 % och 90,4 % går båda att reproducera från Plastic Labs råa filer, men på LoCoMo är försprånget över enbart Haiku 6,3 poäng när man jämför på samma frågor.

Den 28 oktober 2026 räknade vi om tre resultatfiler från honcho-benchmarks (körningsmappen a1d689b, uppkallad efter den Honcho-commit som testades). Kolumnen med publicerade siffror är självrapporterad på honcho.dev/evals.

Testningen visar vart skillnaden tar vägen. Den publicerade baslinjen inkluderar 446 adversariella frågor, där Haiku fick 46,2 %, och Honchos körning hade inga alls. Plastic Labs eget inlägg Benchmarking Honcho säger ”Haiku alone scores 83.9%”, nära våra 83,6 %. Evals-sidan jämför helt enkelt två olika frågeuppsättningar.

På korta historiker är skälet att välja Honcho färre tokens, inte högre träffsäkerhet. LoCoMo-historiker på 16K till 26K tokens ryms i vilket 200K-fönster som helst, och ConvoMem fann att full kontext når 70–82 % under cirka 150 konversationer.

LongMemEval S är annorlunda: vid cirka 115K tokens per historik står sig försprånget på +27,8. En avgränsning. Körningarna använde en uppsättning från december 2025 med en Haiku 4.5-dialektik, medan 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

Varför väljer utvecklare Honcho?

Honcho vinner på användarmodellering: det håller en löpande bild av vem någon är, och det minnet följer personen mellan hens agentverktyg.

Vectorize (som gör konkurrenten Hindsight) skrev i mars 2026 en jämförelse av minnesleverantörer för Hermes som kallar Honcho en beteendemodell av användaren, ”not just a fact store”. Varje skäl har en hake.

Tokenbesparingarna är där marknadsföringen springer före. Startsidan utlovar 60–90 %, men evals-sidan listar 89 % på LongMemEval S, 52 % på LoCoMo och 16 % på BEAM 100K. En byggare som citeras på startsidan rapporterar 10–15 %.

Vem använder Honcho, och för vem är det?

542 206 nedladdningar av Python-SDK:t under månaden fram till den 28 oktober 2026 visar att Honcho har riktiga användare, mestadels agentbyggare kring Hermes och kodagenter.

caption: Adoptionssignaler, hämtade 2026-10-28.
items:
  - value: 542206
    label: PyPI honcho-ai-nedladdningar, senaste månaden
    source: pypistats.org
  - value: 101791
    label: npm @honcho-ai/sdk-nedladdningar, 27 sep till 26 okt
    source: api.npmjs.org
  - value: 7803
    label: GitHub-stjärnor, 954 forkar
    source: GitHub API

Startsidan märker sin logotypremsa ”Used by developers at”. Det betyder enskilda utvecklare på de här organisationerna, inte företagsövergripande avtal eller kundcase.

Nous Researchs Hermes Agent levereras med Honcho som minnesplugin (hermes plugins install honcho), och Hermes Honcho-dokumentationen listar fem verktyg, från honcho_profile till honcho_conclude.

Popularitet är inte samsyn. En Hermes-omröstning på X med 138 svar (okt 2026) hade Markdown-anteckningar etta (27), Hindsight tvåa (25) och Honcho trea (22).

• Passar bra: sällskapsagenter, handledare och coachande agenter
• Passar bra: personliga kodagenter som delas mellan Claude Code, Codex och Cursor
• Passar dåligt: dokument-RAG, återkallning i nästa tur, stängda forkar

Honchos för- och nackdelar: vad betalar du för träffsäkerheten?

Honchos träffsäkerhet är verklig; priset är fördröjning, tokenoverhead, en tung självhostningsstack och AGPL, så räkna med alla fyra.

Självhostning kräver Postgres med pgvector, en deriver-worker och en LLM-modell med tool calling (standard: gpt-5.4-mini, text-embedding-3-small). CLI:t startar API:et, deriver, Postgres och Redis; Docker Compose fungerar också.

# .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

Fördelar: där Honcho förtjänar sin plats

• Användarmodellering som utvecklare beskriver som att den vet vem du är
• Det starkaste resultatet på långa historiker i vår omräkning: +27,8 på LongMemEval S
• Öppen källkod, går att självhosta, med plugins för Claude Code, Codex, Cursor, Hermes och fler

Nackdelar: vad det kostar dig

• Fördröjning. Utvecklare rapporterar ett dialektiskt minimal-spår på 9,1 s (#1101) och 2,16 s extra för varje Hermes-API-tur (#1289). Startsidans ”~200 ms” är ett påstående från leverantören om context().
• Frågekostnad. För 10 000 användare som lägger till 20K tokens i månaden blir inläsningen $400, men 30 frågor på nivån Low per användare blir $3,000 (Minimal: $300). Frågenivån, inte inläsningen, avgör din Honcho-räkning.
• Underhåll vid självhostning. GitHub-användare rapporterar minne som saknas tills deriver har spolat (#494) och en hårdkodad modellreserv (#1180). Att lämna molnet innebär att spela upp meddelandena igen, eftersom embeddings inte exporteras (#721).
• AGPL-3.0. En jämförelseartikel hävdar att självhostning tvingar dig att släppa appens källkod. Det överdriver: AGPL §13 gäller när du ändrar Honcho och användare når det över ett nätverk. Mem0, Letta och cognee är Apache-2.0 och LangMem är MIT, så Honcho är det avvikande copyleft-fallet bland de dedikerade minneslagren. Inte juridisk rådgivning.

Kör snabbstarten på de $5 i kredit med en riktig konversationslogg innan du binder dig.

Vanliga frågor

Är Honcho memory gratis?

Delvis. Molntjänsten ger $5 i kredit, plus $5 i månaden med kort, och startups som har tagit in under $5M kan få $1,000 i kredit. Självhostning har ingen licensavgift under AGPL-3.0, men du betalar dina egna LLM- och embedding-kostnader.

Kan jag använda Honcho i en SaaS med stängd källkod?

Ja, om din app anropar en omodifierad Honcho-server via dess API. Om du ändrar Honcho och serverar det över ett nätverk kräver AGPL §13 att du erbjuder källkoden till den ändrade Honcho-versionen. Din egen app förblir stängd. Inte juridisk rådgivning; fråga en jurist om du forkar.

Honcho jämfört med Mem0 eller Hindsight: vilket ska jag välja?

Välj Mem0 (Apache-2.0) för snabbast start, Hindsight (MIT) för att spara tokens och Honcho för användarmodellering. En utvecklare rapporterar att Hindsight ”used far fewer tokens” på Hermes (X, okt 2026). Mem0:s blogg säger att Honcho saknar offentliga benchmarks, men Honcho har publicerat 21 råa resultatfiler sedan 2025-12-19. Se hela rankningen.

title: Referenser
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