Honcho Memory İncelemesi: %90,4 Yeniden Hesabımızda Tuttu, Artıları ve Eksileriyle

Honcho Memory İncelemesi: %90,4 Yeniden Hesabımızda Tuttu, Artıları ve Eksileriyle

Honcho memory, Plastic Labs'in AGPL-3.0 lisanslı AI ajanları için bellek katmanı, LongMemEval S'te %90,4 aldığını söylüyor. 28 Ekim 2026'daki testimizde ham sonuç dosyalarını yeniden saydık ve aynı 452/500 sonucunu bulduk. LoCoMo'da iki taraf da aynı 1.540 soruyu yanıtladığında, Honcho'nun düz Claude Haiku 4.5'e üstünlüğü yayımlanan 14,3 değil, 6,3 puan.

İyi bir bellek. Daha küçük bir fark. Gerçek ödünler.

Honcho Memory'ye Değer mi? Karar Tek Tabloda

Ajanınız bir kişiyi aylar boyunca modellemek zorundaysa Honcho'yu kullanın; doküman RAG'i, anlık hatırlama ya da kapalı kaynaklı fork için başka bir araç seçin.

Honcho, özel bellek katmanları arasındaki tek AGPL-3.0 seçeneği (Mem0, Letta ve cognee Apache-2.0, LangMem MIT lisanslı) ve bulut sürümü, ingestion ücretinin üstüne her sorgu için ayrıca reasoning ücreti kesiyor.

Eski incelemeler hâlâ $100 ücretsiz kredi yazıyor. Dokümanlar şimdi $5 diyor, kartla birlikte aylık $5 daha.

Honcho Memory nasıl çalışır?

Uygulamanız peer'ler arasındaki mesajları yazıyor, arka plandaki bir worker bunları düz dille sorgulayabileceğiniz ya da context olarak çekebileceğiniz çıkarımlara dönüştürüyor.

Peer, kullanıcı ya da ajan olan herhangi bir katılımcı. Honcho dokümanlarındaki v3 quickstart bütün akışı gösteriyor (kaynak kod GitHub'da):

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() düz dille sorulan soruları yanıtlıyor. Hibrit BM25 + vektör arama mesajları ve conclusion'ları (Honcho'nun türettiği olgular) buluyor. session.context(summary=True, tokens=10_000) ise prompt için token bütçeli bir context döndürüyor.

Reasoning asenkron çalışıyor. Yeni bir olgu bir sonraki okumada değil, deriver çalıştıktan sonra görünüyor; README'deki representation endpoint'i düşük gecikmeli yol.

Honcho'nun %89,9'luk LoCoMo skoru tutuyor mu? Ham dosyaları yeniden hesapladık

%89,9 ve %90,4'ün ikisi de Plastic Labs'in ham dosyalarından tekrarlanıyor; ancak LoCoMo'da aynı soru kümesiyle sayıldığında Haiku'ya göre fark 6,3 puan.

28 Ekim 2026'da honcho-benchmarks deposundan üç sonuç dosyasını yeniden saydık (test edilen Honcho commit'inin adını taşıyan a1d689b klasörü). Yayımlanan sütun honcho.dev/evals sayfasındaki, yani şirketin kendi bildirimi.

Testimiz farkın nereye gittiğini gösteriyor. Yayımlanan baseline, Haiku'nun %46,2 aldığı 446 adversarial soruyu içeriyor; Honcho'nun çalıştırmasında ise hiç adversarial soru yok. Plastic Labs'in kendi Benchmarking Honcho yazısı “Haiku alone scores 83.9%” diyor, bu bizim %83,6'mıza yakın. Yani evals sayfası iki farklı soru kümesini karşılaştırıyor.

Kısa geçmişlerde Honcho'yu seçme nedeni daha yüksek doğruluk değil, daha az token. 16K ile 26K token arasındaki LoCoMo geçmişleri her 200K pencereye sığıyor ve ConvoMem yaklaşık 150 konuşmanın altında tam context'in %70-82'ye ulaştığını buldu.

LongMemEval S farklı: geçmiş başına yaklaşık 115K token olduğunda +27,8'lik üstünlük geçerli kalıyor. Bir kapsam notu: bu çalıştırmalar Aralık 2025 kurulumuyla, Haiku 4.5 dialectic ile yapıldı; v3.4.1 (2026-10-27) ise varsayılan olarak gpt-5.4-mini kullanıyor.

# 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

Geliştiriciler Honcho'yu neden seçiyor?

Honcho'nun kazandığı yer kullanıcı modelleme: kişinin kim olduğuna dair sürekli güncellenen bir resim tutuyor ve bu bellek kişiyi ajan araçları arasında takip ediyor.

Rakip Hindsight'ın yapımcısı Vectorize, Mart 2026 tarihli Hermes bellek sağlayıcıları karşılaştırmasında Honcho'yu kullanıcının davranışsal modeli olarak tarif ediyor, “not just a fact store”. Her gerekçenin bir tuzağı var.

Pazarlamanın gerçeğin önüne geçtiği yer token tasarrufu. Ana sayfa %60-90 diyor, ama evals sayfası LongMemEval S'te %89, LoCoMo'da %52, BEAM 100K'da %16 gösteriyor. Ana sayfada alıntılanan bir geliştirici ise %10-15 bildiriyor.

Honcho'yu kimler kullanıyor, kimler için uygun?

28 Ekim 2026'ya kadar geçen ayda 542.206 Python SDK indirmesi, Honcho'nun gerçek kullanıcıları olduğunu gösteriyor; çoğu Hermes ve kodlama ajanları etrafındaki geliştiriciler.

caption: Benimsenme sinyalleri, erişim tarihi 2026-10-28.
items:
  - value: 542206
    label: PyPI honcho-ai indirmesi, son bir ay
    source: pypistats.org
  - value: 101791
    label: npm @honcho-ai/sdk indirmesi, 27 Eylül - 26 Ekim
    source: api.npmjs.org
  - value: 7803
    label: GitHub yıldızı, 954 fork
    source: GitHub API

Ana sayfa, logo şeridini “Used by developers at” diye etiketliyor. Bu, şirket çapında sözleşmeler ya da vaka çalışmaları değil, bu kurumlardaki tek tek geliştiriciler demek.

Nous Research'ün Hermes Agent'i Honcho'yu bir bellek plugin'i olarak sunuyor (hermes plugins install honcho) ve Hermes Honcho dokümanları honcho_profile'dan honcho_conclude'a kadar beş araç listeliyor.

Popülerlik oy birliği demek değil. X'te yapılan 138 cevaplı bir Hermes anketinde (Ekim 2026) Markdown notları birinci (27), Hindsight ikinci (25), Honcho üçüncü (22) oldu.

• İyi uyum: companion'lar, eğitmenler ve koçluk ajanları
• İyi uyum: Claude Code, Codex ve Cursor arasında paylaşılan kişisel kodlama ajanları
• Kötü uyum: doküman RAG'i, sonraki turda hatırlama, kapalı kaynaklı fork'lar

Honcho'nun artıları ve eksileri: doğruluk için neyden vazgeçiyorsunuz?

Honcho'nun doğruluğu gerçek; bedeli gecikme, token yükü, ağır bir self-host yığını ve AGPL, o yüzden dördüne de bütçe ayırın.

Self-host için pgvector'lu Postgres, bir deriver worker ve tool calling destekleyen bir LLM gerekiyor (varsayılanlar: gpt-5.4-mini, text-embedding-3-small). CLI; API, deriver, Postgres ve Redis'i başlatıyor, Docker Compose da çalışıyor.

# .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

Artılar: Honcho yerini nerede hak ediyor

• Geliştiricilerin “seni tanıyor” diye tarif ettiği kullanıcı modelleme
• Sayımımızdaki en güçlü uzun geçmiş sonucu: LongMemEval S'te +27,8
• Açık kaynak, self-host edilebilir; Claude Code, Codex, Cursor, Hermes ve daha fazlası için plugin'ler

Eksiler: size neye mal oluyor

• Gecikme. Geliştiriciler minimal dialectic izinde 9,1 sn (#1101) ve her Hermes API turuna eklenen 2,16 sn (#1289) bildiriyor. Ana sayfadaki “~200 ms”, context() hakkında satıcının kendi iddiası.
• Sorgu maliyeti. Ayda 20K token ekleyen 10.000 kullanıcı için ingestion $400, ama her birinin 30 Low-tier sorgusu $3,000 (Minimal: $300). Honcho faturanızı ingestion değil, sorgu katmanı belirliyor.
• Self-host bakımı. GitHub kullanıcıları, deriver flush edene kadar belleğin görünmediğini (#494) ve koda gömülü bir model fallback'ini (#1180) bildiriyor. Embedding'ler dışa aktarılamadığı için buluttan ayrılmak mesajları yeniden oynatmak demek (#721).
• AGPL-3.0. Bir karşılaştırma yazısı, self-host etmenin uygulamanızın kaynağını açmaya zorladığını söylüyor. Bu abartı: AGPL §13, Honcho'yu değiştirdiğinizde ve kullanıcılar ona ağ üzerinden eriştiğinde devreye giriyor. Mem0, Letta ve cognee Apache-2.0, LangMem MIT lisanslı; yani Honcho özel bellek katmanları arasında copyleft'e sahip tek istisna. Hukuki tavsiye değildir.

Karar vermeden önce quickstart'ı $5 krediyle, gerçek bir konuşma kaydıyla çalıştırın.

Sık sorulan sorular

Honcho memory ücretsiz mi?

Kısmen. Bulut sürümü $5 kredi veriyor, kartla birlikte aylık $5 daha; $5M altında yatırım almış startup'lar $1,000 kredi alabiliyor. Self-host için AGPL-3.0 kapsamında lisans ücreti yok, ama kendi LLM ve embedding faturalarınızı ödüyorsunuz.

Honcho'yu kapalı kaynaklı bir SaaS'ta kullanabilir miyim?

Evet, uygulamanız değiştirilmemiş bir Honcho sunucusunu API üzerinden çağırıyorsa. Honcho'yu değiştirip ağ üzerinden sunarsanız AGPL §13, değiştirilmiş Honcho kaynağını sunmanızı şart koşuyor. Kendi uygulamanız kapalı kalır. Hukuki tavsiye değildir; fork yapacaksanız bir avukata danışın.

Honcho mu Mem0 mu Hindsight mı: hangisini seçmeliyim?

En hızlı başlangıç için Mem0 (Apache-2.0), token tasarrufu için Hindsight (MIT), kullanıcı modelleme için Honcho. Bir geliştirici Hermes'te Hindsight'ın “used far fewer tokens” olduğunu bildiriyor (X, Ekim 2026). Mem0'nun blogu Honcho'nun herkese açık benchmark'ı olmadığını söylüyor, oysa 2025-12-19'dan beri 21 ham sonuç dosyası yayımladı. Tam sıralama burada.

title: Kaynaklar
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