Outil d'IA

Avis sur Honcho

Honcho est un backend open source de mémoire et de modélisation des utilisateurs pour les agents IA, qui raisonne sur les conversations afin de maintenir un contexte utilisateur évolutif entre les sessions, les outils et les machines.

shipped 26 oct. 2026agentsfreemium

Domain rating58AI-readablestrong

agentsopen-sourcedeveloper-tools

Pourquoi c'est important

1Fondé en 2023 ; développé par Plastic Labs, dont le siège se trouve à Brooklyn, NYC.

2Propose une API développeur et une intégration MCP ; la documentation de l’API est disponible à l’adresse honcho.dev/docs/.

3La tarification comprend la mémoire à 2,00 $ par million de tokens ingérés et des niveaux de raisonnement de 0,001 $ à 0,50 $ par requête.

4La conservation des données est de 90 jours ; Honcho est certifié SOC 2 Type I et n’est ni conforme à HIPAA ni certifié ISO.

À propos de Honcho

Modèle économique

Open Source

Tarification à l’usage

$0.001/q per query

Siège social

Brooklyn, NYC

Fondée

2023

Taille de l’équipe

Financement

Seed

Plateformes

Web, API

Public cible

Developers and businesses creating stateful AI agents

Formules tarifaires

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

Exemples de coûts

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

Direction

Vineeth VorugantiCo-founderLinkedIn

Courtland LeerCo-founderLinkedIn

API Docs GitHubOpen Source

Spécifications

Documentation API

Voir la documentation →

API disponible

Oui, API publique

overview

Qu’est-ce que Honcho ?

Honcho est un outil de mémoire IA open source qui permet aux développeurs et aux entreprises créant des agents IA avec état de construire, à partir des conversations, des modèles persistants et évolutifs des utilisateurs. Il prend en charge la mémoire entre les sessions, les outils et les machines, en s’appuyant sur le raisonnement conversationnel pour conserver les préférences et le contexte. Honcho est proposé par Plastic Labs et conçu comme un backend de mémoire et de modélisation des utilisateurs, plutôt que comme un environnement d’exécution complet pour agents.

features

Fonctionnalités principales de Honcho

Honcho fournit une mémoire et une modélisation des utilisateurs dérivées des conversations pour les agents IA avec état. Son périmètre technique documenté comprend les entrées textuelles, les modèles Neuromancer de Plastic Labs, une API et l’intégration MCP.

Raisonne sur les conversations pour créer des modèles évolutifs de chaque utilisateur.
Conserve les préférences et le contexte entre les sessions, les outils et les machines.
Fournit un apprentissage continu aux agents avec état.
Gère la mémoire de façon à optimiser l’utilisation des tokens et à réduire le nombre de tokens de contexte utilisés.
Offre un contrôle précis du contexte fourni aux agents.
Prend en charge le raisonnement asynchrone et l’inférence en arrière-plan.
Fournit une API développeur documentée à l’adresse https://honcho.dev/docs/.
Répertorie Plastic Labs Neuromancer et Plastic Labs Neuromancer XR comme modèles ; la multimodalité se limite au texte.
Prend en charge l’intégration MCP et les appels de fonctions selon des standards ouverts.

use cases

À qui s’adresse Honcho ?

Honcho est destiné aux développeurs et aux entreprises qui créent des agents IA devant conserver le contexte utilisateur au-delà d’une seule conversation. Les domaines d’application répertoriés comprennent le support client, l’éducation, les jeux, la productivité et les compagnons IA.

Développeurs d’agents IA qui créent des expériences avec état et des préférences utilisateur persistantes.
Équipes de support client qui créent des agents s’appuyant sur le contexte des interactions précédentes.
Applications éducatives devant conserver le contexte des apprenants d’une session à l’autre.
Jeux et produits de compagnons IA utilisant des modèles évolutifs des utilisateurs.
Outils de productivité dont les agents doivent conserver le contexte entre les sessions et les outils.

how to use

Comment utiliser Honcho

Les développeurs peuvent commencer par consulter la documentation de l’API Honcho à l’adresse https://honcho.dev/docs/ et connecter un agent via l’API ou MCP. Configurez l’utilisation de la mémoire et du raisonnement en fonction des besoins de l’application ; la tarification publiée distingue l’ingestion de mémoire des requêtes de raisonnement.

1Consultez la documentation de l’API à l’adresse https://honcho.dev/docs/.
2Créez ou configurez un projet Honcho et connectez-le à l’agent via l’API ou MCP.
3Envoyez le texte des conversations à Honcho pour le traitement des modèles utilisateur et de la mémoire.
4Récupérez le contexte utilisateur pertinent pour les interactions ultérieures avec l’agent.
5Choisissez l’intensité du raisonnement et surveillez l’utilisation liée à l’ingestion de mémoire et aux requêtes.

pricing

Tarifs et offres de Honcho

Honcho est proposé selon un modèle freemium, avec une tarification à l’usage pour l’ingestion de mémoire et le raisonnement. Le tarif de la mémoire est de 2,00 $ par million de tokens ingérés. Les niveaux de raisonnement sont facturés par requête ; les informations disponibles ne précisent pas le quota inclus dans l’offre gratuite ni si ces prix sont à jour. Vérifiez donc les tarifs sur le site Web de Honcho avant tout achat.

Honcho Memory : 2,00 $ par million de tokens ingérés.
Raisonnement minimal : 0,001 $ par requête.
Raisonnement faible : 0,01 $ par requête.
Raisonnement moyen : 0,05 $ par requête.
Raisonnement élevé : 0,10 $ par requête.
Raisonnement maximal : 0,50 $ par requête.
La tarification à l’usage indique également 0,001 $ par requête ; le lien exact entre ce montant et les niveaux de raisonnement nommés n’est pas précisé.

Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.

un e-mail par jour · désinscription en deux clics · aucun traqueur tiers

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.

Outils similaires

Honcho et ses concurrents

Honcho se positionne comme un backend enfichable de mémoire et de modélisation des utilisateurs. Les comparaisons fournies le distinguent des outils axés sur l’extraction de faits, la gestion de l’environnement d’exécution des agents ou la création de graphes de connaissances ; les détails de mise en œuvre et les fonctionnalités des produits peuvent varier selon le fournisseur.

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.

Plus sur Stork