Qu’est-ce que Honcho ?
Honcho est un serveur de mémoire de Plastic Labs organisé autour de peers : utilisateurs, agents, groupes ou projets qui participent à des sessions. Vous enregistrez des messages dans une session ; un processus d'arrière-plan appelé deriver les lit et rédige des conclusions sur chaque peer, faits énoncés comme faits déduits, puis un processus distinct de dreaming les consolide plus tard. Vous demandez ensuite un contexte prêt pour le prompt, lancez une recherche hybride BM25 et vectorielle, ou posez une question en langage naturel au point d'accès de chat, qui raisonne sur ce que Honcho a conclu.
Les conclusions sont stockées sous forme de documents vectorisés dans des collections indexées par peer observateur et peer observé : Honcho peut donc garder ce qu'un agent sait d'un autre en plus de l'image que chaque peer a de lui-même. Le stockage est PostgreSQL avec pgvector par défaut, avec turbopuffer, LanceDB et Qdrant en option.
Le serveur FastAPI est sous AGPL-3.0 et s'auto-héberge avec Docker Compose ou la commande honcho start ; Plastic Labs exploite aussi un service géré sur api.honcho.dev.
Honcho vaut-il le coup ?
Honcho répond à une autre question que la plupart des couches de mémoire. Mem0 et Zep renvoient des faits qui correspondent à une requête ; Honcho entretient un modèle de chaque participant et répond en prose aux questions qui le concernent, par exemple le style d'apprentissage auquel une élève réagit le mieux. Cela convient mieux aux tuteurs, aux compagnons et aux agents de support qu'à la recherche documentaire.
Le travail se fait après l'écriture. Un message est enregistré tout de suite, puis placé dans la file du deriver, qui en tire des conclusions avec un LLM (gpt-5.4-mini par défaut), avant qu'une passe de dreaming ne les consolide. Le README prévient que les nouveaux messages mettent un moment à apparaître dans les réponses du chat : un agent qui a besoin d'un fait du tour précédent doit lire la session enregistrée plutôt que compter sur un raisonnement qui n'a pas encore tourné.
Plastic Labs annonce 90,4 % sur LongMemEval S et 89,9 % sur LoCoMo, contre 62,6 % et 75,6 % pour Claude Haiku 4.5 avec toute la conversation en contexte, et 92,6 % sur LongMemEval avec Gemini 3 Pro pour répondre. Ces essais utilisaient gemini-2.5-flash-lite pour l'extraction et claude-haiku-4.5 pour le raisonnement, et l'entreprise précise que son service hébergé emploie plusieurs modèles. Sur BEAM, le score passe de 0,630 à 100 000 tokens à 0,409 à 10 millions, le signe public le plus net de la dégradation de ces systèmes sur des historiques très longs. LoCoMo a été noté par un LLM juge et non par la métrique F1 de l'article d'origine, ce qui empêche la comparaison avec des scores publiés plus tôt.
Le service géré est l'écriture hébergée la moins chère des couches de mémoire que nous examinons, à 2,00 $ par million de tokens ingérés, avec des lectures de contexte illimitées en 200 ms environ. Les requêtes de chat coûtent 0,01 $ au niveau par défaut et 0,50 $ au niveau maximal. Un serveur auto-hébergé a l'authentification désactivée par défaut (AUTH_USE_AUTH=false) et exige un secret JWT avant d'être exposé sur un réseau ; la télémétrie et Sentry sont désactivés dans le modèle fourni.
Le hic, pour les équipes commerciales, c'est l'AGPL-3.0 : exploiter un Honcho modifié comme service réseau vous oblige à publier vos modifications. L'utiliser tel quel, ou via l'API gérée, non. Le projet est actif, avec la v3.5.0 sortie le 30 octobre 2026 et environ 8 000 étoiles sur GitHub.
Là où il fait la différence
Une start-up edtech qui fait tourner un tuteur IA pour 10 000 élèves
Adapter les explications à la façon dont chaque élève apprend
Enregistrez chaque leçon comme une session, puis demandez à peer.chat ce qui pose problème à un élève avant la suivante. À 2,00 $ par million de tokens ingérés, un élève qui produit 50 000 tokens par mois coûte 0,10 $ de mémoire, plus un centime par requête de chat au niveau par défaut.
Un développeur qui conçoit un jeu multi-agents dont les personnages ne savent pas les mêmes choses
Séparer ce que chaque personnage sait du joueur et des autres personnages
Définissez quels peers en observent d'autres ; Honcho tient une collection par paire observateur-observé, si bien qu'un personnage peut ignorer ce qu'un autre a vu. L'auto-hébergement convient ici, avec Postgres et une seule clé de LLM.
Une développeuse indépendante qui utilise Claude Code, Cursor et Codex sur les mêmes projets
Donner aux trois agents une mémoire commune des préférences et des décisions passées
honcho init écrit une seule clé pour tous les plug-ins, et chaque agent lit le même workspace. Les 5 $ de crédit mensuel avec une carte enregistrée couvrent un usage personnel léger du service géré.
Avant de vous engager
- Mise en route
- uv tool install honcho-cli puis honcho start --setup lance dans Docker l'API, le deriver, Postgres et Redis avec une clé de LLM. Depuis les sources : Docker Compose, ou Python 3.13+, Postgres avec pgvector, l'API et un processus deriver séparé.
- Intégrations
- SDK Python et TypeScript, une CLI et un serveur MCP ; plug-ins maison pour Claude Code, Codex, Cursor, OpenCode, Kilo Code, OpenClaw et Hermes. Tout fournisseur de LLM compatible OpenAI, dont OpenRouter, vLLM et Ollama, à condition qu'il gère le tool calling.
- Données et confidentialité
- En auto-hébergement, les données restent dans votre Postgres ou le magasin vectoriel choisi, mais le texte des messages part vers le LLM configuré. La télémétrie et Sentry sont désactivés dans le modèle. Le service géré attribue à chaque organisation sa propre instance ; durées de conservation, usage pour l'entraînement et certifications ne sont pas publiés sur le site.
- Coût à grande échelle
- Géré : 2,00 $ par million de tokens ingérés, lectures de contexte illimitées et de 0,001 $ à 0,50 $ par requête de chat selon le niveau de raisonnement. Auto-hébergé : Postgres plus les appels au LLM du deriver et du dreaming pour chaque message traité.
- Limites
- Le raisonnement est asynchrone, donc les conclusions ont du retard sur les messages récents. Les scores BEAM passent de 0,630 à 0,409 entre 100 000 et 10 millions de tokens. 180 issues et pull requests ouvertes.
Les points forts
- Construit un modèle de chaque personne et de chaque agent, pas seulement une liste de faits
- L'ingestion hébergée la moins chère des couches de mémoire que nous examinons, à 2,00 $ par million de tokens
- Suit ce qu'un agent sait d'un autre
- Télémétrie désactivée par défaut en auto-hébergement
Les points faibles
- L'AGPL-3.0 impose de publier les modifications d'une version hébergée
- Le raisonnement en arrière-plan a du retard sur les nouveaux messages
- Authentification désactivée par défaut en auto-hébergement
- Aucune mention de SOC 2 ou HIPAA sur le site
Idéal pour
Les équipes qui conçoivent des tuteurs, des compagnons ou des agents de support devant comprendre chaque utilisateur sur de nombreuses sessions.
Alternatives à Honcho
Honcho : questions fréquentes
- Honcho vaut-il le coup ?
- Honcho est la couche de mémoire à retenir quand vous voulez qu'un agent comprenne une personne plutôt que de chercher des faits, et sa licence AGPL sera la première question de vos juristes. Nous lui donnons 4.1 sur 5.
- Combien coûte Honcho ?
- Serveur gratuit sous AGPL-3.0. Service géré : 2,00 $ par million de tokens ingérés (lectures de contexte illimitées, dreaming inclus) ; requêtes de chat de 0,001 $ (minimal) à 0,50 $ (maximal) chacune, 0,01 $ par défaut. 5 $ de crédit pour les nouveaux comptes et 5 $ par mois une fois une carte enregistrée ; Enterprise sur devis.
- Quels sont les inconvénients de Honcho ?
- L'AGPL-3.0 impose de publier les modifications d'une version hébergée; le raisonnement en arrière-plan a du retard sur les nouveaux messages; authentification désactivée par défaut en auto-hébergement; aucune mention de SOC 2 ou HIPAA sur le site.
- À qui s’adresse Honcho ?
- Les équipes qui conçoivent des tuteurs, des compagnons ou des agents de support devant comprendre chaque utilisateur sur de nombreuses sessions.
- Combien coûte Honcho pour une équipe ou en production ?
- Géré : 2,00 $ par million de tokens ingérés, lectures de contexte illimitées et de 0,001 $ à 0,50 $ par requête de chat selon le niveau de raisonnement. Auto-hébergé : Postgres plus les appels au LLM du deriver et du dreaming pour chaque message traité.
- Honcho est-il sûr pour les données de l’entreprise ?
- En auto-hébergement, les données restent dans votre Postgres ou le magasin vectoriel choisi, mais le texte des messages part vers le LLM configuré. La télémétrie et Sentry sont désactivés dans le modèle. Le service géré attribue à chaque organisation sa propre instance ; durées de conservation, usage pour l'entraînement et certifications ne sont pas publiés sur le site.
- Quelles sont les meilleures alternatives à Honcho ?
- Les alternatives les plus proches que nous avons testées sont Hindsight, Mem0, Graphiti et Letta.
Réponses vérifiées le 6 nov. 2026.
Vous éditez Honcho ? Affichez cette note sur votre site
