不想再让AI”失忆”？这个7.5k星的推理记忆库有点东西

大多数 AI 记忆工具都在做同一件事：往向量数据库里塞文本，然后按相似度召回。听起来合理，但有个根本问题——它返回的是”匹配的片段”，而不是”结论”。

Honcho 解决的就是这个问题。

它是什么

Honcho 是一个开源的记忆基础设施，专门给 AI Agent 用。核心思路是reasoning-first——不是存了就行，而是要推理出结论。

比如传统 RAG 会记住”用户上周问过关于 React 性能的问题”，而 Honcho 会记住”用户在性能优化上有明确偏好，且最近倾向于用 useMemo 而不是 useCallback”。结论，而不是片段。

GitHub：https://github.com/plastic-labs/honcho
⭐ 7.5k Stars | Python/TypeScript | AGPL-3.0

怎么工作的

三个核心概念：

• Workspace：一个独立的记忆空间，可以理解为一个项目或一个用户的所有上下文
• Peer：任何会持续存在且会变化的对象——人、Agent、团队、项目都可以
• Session：一次交互线程，类似对话记录

写消息进去后，后台异步推理模块（叫 Deriver）会自动提取结论、更新每个 Peer 的表征（Representation）。下次 Agent 需要上下文时，拿到的不是原始文本块，而是已经推理过的结构化结论。

支持的场景

• 多角色记忆：Honcho 能建模”一个 Peer 对另一个 Peer 的认知”——比如 Agent 知道用户偏好什么，用户也知道 Agent 能做什么
• 跨会话进化：同一个用户在不同会话里的偏好变化，Honcho 都能追踪
• MCP 集成：直接对 OpenClaw、Claude Code、Cursor 等主流 Agent 工具开放
• 自托管或云服务：有托管 API（api.honcho.dev），也支持 Docker 一键部署

安装方式

# Python SDK
pip install honcho-ai

# TypeScript SDK
npm install @honcho-ai/sdk

# 自托管（Docker）
git clone https://github.com/plastic-labs/honcho.git
cd honcho && cp docker-compose.yml.example docker-compose.yml
# 填入 LLM API key 后
docker compose up

谁适合用

如果你在做多 Agent 系统，或者需要 Agent 有真正的”用户模型”——而不是每次都从零开始问”你喜欢什么”，Honcho 值得一试。它的 reasoning-first 设计在多轮交互场景里优势明显，特别适合需要持续学习用户偏好的应用。

它不是 Mem0/Zep 的替代品，更像是在 RAG 之上加了一层推理层——把”检索相关文本”变成”生成关于实体的结论”。

GitHub：https://github.com/plastic-labs/honcho

GitHub: https://github.com/plastic-labs/honcho