plastic-labs/honcho

解決的問題

Honcho 為具狀態的 AI 代理提供記憶基礎設施，使其能持續理解人、其他代理、群組、專案與想法隨著時間的演變。它超越了簡單的區塊比對（標準 RAG），採用以推理為先的模式，從互動中提取結論，建構實體的動態表示。

工作原理

Honcho 透過持續的儲存、推理與查詢循環運作：

1. 儲存：對話、事件、文件或工具追蹤被儲存為會話內的訊息。
2. 推理：背景中，Honcho 非同步處理這些訊息，以更新「同行表示」（系統對特定實體的了解）。
3. 查詢：使用者可透過自然語言查詢這些表示，搜尋特定結果，或提取適合 LLM 使用的上下文。
4. 注入：產生的上下文或答案被注入至 LLM 呼叫或代理框架中。

內部採用以同行為中心的模型，將人類與代理視為參與會話的一等實體（同行）。它將觀察結果儲存在以觀察者-被觀察同行對為鍵的向量嵌入文件集合中。

適用對象

• 需要長期記憶與高保留率的 AI 代理開發者。
• 需要代理之間相互理解及其使用者的多代理系統團隊。
• 使用程式碼代理（如 Claude Code、Cursor 或 OpenCode）並希望在不同工具間共享持久記憶的使用者。

主要特色

• 以推理為先的記憶：從對話中提取實際結論，而非僅檢索相似的文本區塊。
• 以同行為中心的模型：將使用者、代理與專案的演變視為獨立實體進行追蹤。
• 多同行觀點：可建模特定同行對另一同行的認知。
• 廣泛整合：提供對主要程式碼代理（如 Claude Code、Cursor、DeepSeek Harness）的官方外掛，以及對 MCP（Model Context Protocol）的支援。
• 彈性部署：支援托管服務、透過 CLI 的本地堆疊，或自架設的 FastAPI 伺服器。