plastic-labs/honcho

解决的问题

Honcho 为有状态 AI 代理提供内存基础设施，使其能够持续理解人、其他代理、群体、项目和想法随时间的演变。它超越了简单的块匹配（标准 RAG），采用以推理为核心的模式，从交互中提取结论，构建实体的动态表示。

工作原理

Honcho 通过持续的存储、推理和查询循环运行：

1. 存储：对话、事件、文档或工具追踪被保存为会话内的消息。
2. 推理：后台，Honcho 异步处理这些消息，以更新“同行表示”（系统对特定实体的了解）。
3. 查询：用户可以通过自然语言查询这些表示，搜索特定结果，或提取 LLM 就绪的上下文。
4. 注入：生成的上下文或答案被注入到 LLM 调用或代理框架中。

内部采用以同行为中心的模型，将人类和代理视为参与会话的一等实体（同行）。它将观察结果存储在以观察者-被观察同行对为键的向量嵌入文档集合中。

适用人群

• 需要长期记忆和高保留率的 AI 代理开发者。
• 需要代理之间相互理解及其用户的多代理系统团队。
• 使用代码代理（如 Claude Code、Cursor 或 OpenCode）并希望在不同工具间共享持久记忆的用户。

主要亮点

• 以推理为核心的内存：从对话中提取实际结论，而非仅检索相似文本块。
• 以同行为中心的模型：将用户、代理和项目作为独立实体追踪其演变。
• 多同行视角：可建模某一特定同行对另一同行的认知。
• 广泛集成：提供对主要代码代理（如 Claude Code、Cursor、DeepSeek Harness）的官方插件，以及对 MCP（Model Context Protocol）的支持。
• 灵活部署：支持托管服务、通过 CLI 的本地堆栈，或自托管的 FastAPI 服务器。