KI-Werkzeug

Honcho im Test

Honcho ist ein Open-Source-Backend für Gedächtnis und Nutzermodellierung für AI agents, das Konversationen analysiert, um über Sitzungen, Tools und Maschinen hinweg einen fortlaufend aktualisierten Nutzerkontext zu pflegen.

shipped 26. Okt. 2026agentsfreemium

Domain rating58AI-readablestrong

agentsopen-sourcedeveloper-tools

Warum es wichtig ist

12023 gegründet; entwickelt von Plastic Labs mit Hauptsitz in Brooklyn, NYC.

2Bietet eine Entwickler-API und MCP-Integration; die API-Dokumentation finden Sie unter honcho.dev/docs/.

3Die Preise umfassen Gedächtnis für 2,00 $ pro eine Million aufgenommener Tokens und Reasoning-Stufen von 0,001 $ bis 0,50 $ pro Abfrage.

4Die Daten werden 90 Tage lang aufbewahrt; Honcho ist SOC 2 Type I-zertifiziert und weder HIPAA-konform noch ISO-zertifiziert.

Über Honcho

Geschäftsmodell

Open Source

Nutzungsbasierter Preis

$0.001/q per query

Hauptsitz

Brooklyn, NYC

Gegründet

2023

Teamgröße

Finanzierung

Seed

Plattformen

Web, API

Zielgruppe

Developers and businesses creating stateful AI agents

Preispläne

Honcho Memory

$2.00 / M tokens ingested

• Store + Neuromancer reasoning

Minimal Reasoning

$0.001 / query

• Basic conclusions — instant

Low Reasoning

$0.01 / query

• Efficient synthesis — instant

Medium Reasoning

$0.05 / query

• Steerable reasoning — fast

High Reasoning

$0.10 / query

• Deep synthesis — async

Max Reasoning

$0.50 / query

• Research-grade — async

Kostenbeispiele

• Basic conclusions: $0.001/query
• Efficient synthesis: $0.01/query
• Steerable reasoning: $0.05/query

Führungsteam

Vineeth VorugantiCo-founderLinkedIn

Courtland LeerCo-founderLinkedIn

API Docs GitHubOpen Source

Spezifikationen

API-Dokumentation

Dokumentation ansehen →

API verfügbar

Ja, öffentliche API

overview

Was ist Honcho?

Honcho ist ein Open-Source-Tool für AI memory, mit dem Entwickler und Unternehmen, die zustandsbehaftete AI agents entwickeln, aus Konversationen persistente, sich weiterentwickelnde Nutzermodelle erstellen können. Es unterstützt Gedächtnis über Sitzungen, Tools und Maschinen hinweg und nutzt Conversation Reasoning, um Präferenzen und Kontext zu bewahren. Honcho wird von Plastic Labs bereitgestellt und ist als Backend für Gedächtnis und Nutzermodellierung konzipiert, nicht als vollständige Agent-Laufzeitumgebung.

features

Die wichtigsten Funktionen von Honcho

Honcho bietet aus Konversationen abgeleitetes Gedächtnis und Nutzermodellierung für zustandsbehaftete AI agents. Der dokumentierte technische Umfang umfasst Texteingabe, Plastic Labs Neuromancer-Modelle, eine API und MCP-Integration.

Analysiert Konversationen, um sich weiterentwickelnde Modelle einzelner Nutzer zu erstellen.
Bewahrt Präferenzen und Kontext über Sitzungen, Tools und Maschinen hinweg.
Ermöglicht kontinuierliches Lernen für zustandsbehaftete Agents.
Verwaltet das Gedächtnis token-effizient, um den Verbrauch von Kontext-Tokens zu reduzieren.
Ermöglicht eine granulare Kontrolle des den Agents bereitgestellten Kontexts.
Unterstützt asynchrones Reasoning und Inferenz im Hintergrund.
Bietet eine Entwickler-API, dokumentiert unter https://honcho.dev/docs/.
Führt Plastic Labs Neuromancer und Plastic Labs Neuromancer XR als Modelle auf; die Modalität ist Text.
Unterstützt MCP-Integration und Function Calling nach offenem Standard.

use cases

Für wen ist Honcho geeignet?

Honcho richtet sich an Entwickler und Unternehmen, die AI agents entwickeln, deren Nutzerkontext über einzelne Konversationen hinaus erhalten bleiben muss. Zu den aufgeführten Anwendungsbereichen gehören Kundensupport, Bildung, Gaming, Produktivität und AI companionship.

Entwickler von AI agents, die zustandsbehaftete Erlebnisse mit dauerhaft gespeicherten Nutzerpräferenzen schaffen.
Kundensupport-Teams, die Agents entwickeln, welche den Kontext früherer Interaktionen nutzen.
Bildungsanwendungen, die den Lernkontext sitzungsübergreifend bewahren müssen.
Gaming- und AI-companionship-Produkte, die sich weiterentwickelnde Nutzermodelle verwenden.
Produktivitätstools, deren Agents Kontext über Sitzungen und Tools hinweg bewahren müssen.

how to use

So verwenden Sie Honcho

Entwickler können mit der Honcho-API-Dokumentation unter https://honcho.dev/docs/ beginnen und einen Agent über die API oder MCP verbinden. Richten Sie die Nutzung von Gedächtnis und Reasoning passend zur Anwendung ein; in der veröffentlichten Preisgestaltung werden das Aufnehmen von Gedächtnisinhalten und Reasoning-Abfragen getrennt berechnet.

1Sehen Sie sich die API-Dokumentation unter https://honcho.dev/docs/ an.
2Erstellen oder konfigurieren Sie ein Honcho-Projekt und verbinden Sie es über die API oder MCP mit dem Agent.
3Senden Sie Konversationstext an Honcho, damit Nutzermodell und Gedächtnis verarbeitet werden.
4Rufen Sie relevanten Nutzerkontext für nachfolgende Interaktionen des Agents ab.
5Wählen Sie die Reasoning-Intensität und überwachen Sie die Nutzung für Gedächtnisaufnahme und Abfragen.

pricing

Honcho: Preise und Tarife

Honcho wird als Freemium-Angebot geführt; für die Aufnahme von Gedächtnisinhalten und Reasoning gelten nutzungsabhängige Preise. Für Honcho Memory werden 2,00 $ pro eine Million aufgenommener Tokens angegeben. Die Reasoning-Stufen werden pro Abfrage berechnet. Aus den verfügbaren Angaben gehen weder das enthaltene kostenlose Kontingent noch die Aktualität dieser Preise hervor. Prüfen Sie daher vor dem Kauf die Preise auf der Website von Honcho.

Honcho Memory: 2,00 $ pro eine Million aufgenommener Tokens.
Minimal Reasoning: 0,001 $ pro Abfrage.
Low Reasoning: 0,01 $ pro Abfrage.
Medium Reasoning: 0,05 $ pro Abfrage.
High Reasoning: 0,10 $ pro Abfrage.
Max Reasoning: 0,50 $ pro Abfrage.
Als nutzungsabhängiger Preis werden außerdem 0,001 $ pro Abfrage aufgeführt; wie genau dieser Wert mit den benannten Reasoning-Stufen zusammenhängt, ist nicht angegeben.

Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.

eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte

Pros

+Open-source architecture for an agent memory and user-modeling backend.
+Designed to retain conversation-derived preferences and context across sessions, tools, and machines.
+Offers API access and MCP integration, with public API documentation.
+Provides separately priced memory ingestion and reasoning tiers.
+SOC 2 Type I certified, according to the supplied compliance data.

Cons

−Data retention is listed as 90 days, which may not suit applications requiring longer retention.
−Not HIPAA-aligned and not ISO-certified, according to the supplied compliance data.
−The free-tier allowance is not specified in the available pricing information.
−The listed pricing information includes both $0.001 per query and reasoning tiers up to $0.50 per query; their relationship is not explained.
−The documented multimodality is text, limiting the stated scope to text-based input.

Ähnliche Tools

Honcho im Vergleich zu Wettbewerbern

Honcho ist als Plug-in-Backend für Gedächtnis und Nutzermodellierung positioniert. Den bereitgestellten Vergleichen zufolge unterscheidet es sich von Tools, die sich auf Faktenextraktion, die Verwaltung von Agent-Laufzeitumgebungen oder den Aufbau von Wissensgraphen konzentrieren. Implementierungsdetails und Produktfunktionen können je nach Anbieter variieren.

Mem0On Stork

Provides a multi-layered extraction pipeline that dynamically extracts, scores, and updates discrete user facts and preferences without manual graph curation.

Mem0 is faster to plug into existing agent stacks like LangChain or AutoGen, but Honcho gives you deeper dialectic user modeling and theory-of-mind representation beyond simple key-value fact extraction.

Letta↗

Manages agent memory like an operating system with tiered context windows, editable memory blocks, and git-backed context storage.

Letta is a full stateful agent runtime (formerly MemGPT) that dictates the agent's reasoning loop, whereas Honcho acts purely as a plug-and-play memory and user-modeling backend.

Graphiti↗

Constructs an evolving, temporally aware knowledge graph directly from conversational turns and external business data.

Graphiti provides clear entity-relation provenance over time, but you have to self-host Neo4j and write custom extraction logic rather than consuming Honcho's out-of-the-box user-profiling APIs.

ZepOn Stork

Combines temporal knowledge graphs with hybrid vector and BM25 search to serve low-latency chat history and automated session summaries.

Zep excels at enterprise context enrichment and temporal fact invalidation, but its primary platform is closed-source managed SaaS, unlike Honcho's open-source architecture.

Mehr auf Stork