context() 取上下文
一次方法调用返回整理好的推理结论加对话历史，约 200MS 返回，快到可以在每一轮对话里都调用。默认混合摘要与消息，覆盖该 peer 的整个会话历史。
官方说明 ↗
价格从 $0.001/次起计费，完整价格档位官网未公开
平台Web / API / CLI
归类AI 智能体
收录2026-10-11
复核2026-10-11
编辑评分
4.6 / 5
★★★★☆
Honcho编辑总结
Honcho 是 Plastic Labs 推出的开源 AI 记忆平台，面向需要持续上下文的有状态智能体。它不只是把消息存下来，而是每写入一条消息就触发一次推理，把结论、模式和待验证假设一起沉淀成用户画像，官方给出的 token 节省区间是 60-90%，在 LoCoMo 上拿到 89.9%、LongMem S 上拿到 90.4%。开发者用 session.context() 一次调用就能取回整理好的上下文与对话历史。短板是进阶推理按次计费、价格档位官网未完整公开，BEAM 1M 及以上长上下文的分数明显回落。
Honcho是什么？
Honcho 是 Plastic Labs 做的 AI 原生记忆平台，定位是「会推理的记忆」——不是把事实存起来再检索，而是对写入的每条消息做持续学习，把跨会话、跨工具、跨机器的用户上下文累积起来，让智能体不再每次冷启动。
它由四类基本构件组成：Workspaces 隔离不同应用或环境，Peers 代表任何会持续存在并随时间变化的实体（用户、智能体、对象），Sessions 是带时间边界的交互线程，Messages 是触发推理的数据单元，可以是对话、事件、活动记录或文档。内核是自研推理模型 Neuromancer，其在更低成本与延迟下达到 SOTA，负责从显式事实之外推出结论、跨交互找模式、生成待验证假设。
不同角色用法不同：开发者装 SDK 后用 context() 取上下文、用 .chat() 做按需深度推理；Claude Code、Codex、OpenClaw、Hermes Agent、DeepSeek Harness 的用户可以直接装对应插件获得持久记忆；团队则用 Workspaces 把不同环境隔开，用 token 预算和 peer 范围控制每次取回的量。
Honcho核心功能
写入即推理
消息写进 Honcho 后触发两件事：存储并建立索引，同时由 Neuromancer 自动推理学习。不需要额外调用，上下文会随每次写入持续更新。
chat() 按需深推理
针对具体查询调用 .chat()，提供更高推理档位。档位从 Minimal 到 Max 分级，Minimal 为 $0.001、单次语义检索、即时返回，Low 为 $0.01 即时返回，推理资源越多越贵。
Token 预算控制
调用时可指定 tokens 参数，例如限制到 1500 或 3000 tokens；也能关掉摘要（summary=False）配合 token 上限换回更多原始消息，额度由使用者设定、由平台做优化。
官方说明 ↗多编辑器插件
为 Claude Code、OpenAI Codex、DeepSeek Harness 提供官方插件与 hook，为 WhatsApp、Telegram、Discord、Slack 提供 OpenClaw 插件，Hermes Agent 也可接入，装完重启即可获得持久记忆。
Agent Skill 安装
在终端运行 npx skills add plastic-labs/honcho 即可装上 Honcho skill，把记忆能力接入现有的 agent 开发流程。
模型无关接入
支持 OpenAI、Anthropic 及自定义模型，检索不设上限，数据归使用者所有，不绑定特定推理后端。
Peer 范围检索
取上下文时可传 peer_target 指定要包含谁的画像，返回值里能拿到 peer_representation 字符串与 peer_card 列表，把检索范围精确到单个用户。
官方说明 ↗Honcho值不值得用？
当你的智能体反复出现「忘记上一轮说过什么」「跨会话自相矛盾」这类问题时，Honcho 值得一试，它把记忆从检索升级成推理，官方给出的 60-90% token 节省和 LoCoMo 89.9% 的分数都能直接对上省成本与提效果两个诉求，约 200MS 的 context() 也支持每轮调用。但它不是零成本的，Minimal 档 $0.001、Low 档 $0.01 的计费会随调用量放大，且 BEAM 1M 掉到 0.618、BEAM 10M 只有 0.409，说明百万级以上的超长上下文并非它的强项。
建议选它的情况
- 做跨会话个人助手的团队，需要智能体记住同一个用户的历史偏好
- 已用 Claude Code、Codex 或 OpenClaw，想装插件直接获得持久记忆
- 对 token 成本敏感，希望用推理换掉一部分长上下文开销
不建议选它的情况
- 需要处理 BEAM 1M 以上超长上下文，官方分数在该区间已明显回落
- 只用单轮问答、不存在跨会话记忆需求
- 预算极紧且调用频繁，按次计费会随轮数累加
Honcho适合谁用？
做有状态智能体的开发者
推荐直接在 Python 或 TypeScript 里调 context() 与 .chat()，用 Workspaces、Peers、Sessions、Messages 四类构件搭记忆结构，是最对口的用法。
Claude Code 重度用户
推荐添加 plastic-labs/claude-honcho marketplace 并安装 honcho@honcho 插件，就能让 Claude Code 跨会话记住项目上下文，不用每次重述。
多平台机器人运营者
推荐通过 OpenClaw 插件把记忆接到 WhatsApp、Telegram、Discord、Slack，同一用户在不同平台的身份可以连续，但需要自备 Honcho API key。
超长文档处理场景
有条件BEAM 100K 还有 0.630，到 BEAM 1M 降至 0.618、BEAM 10M 只有 0.409，百万级以上的长上下文检索效果下滑明显，需谨慎评估。
预算固定的小团队
有条件官网只公开了 .chat() 的 Minimal $0.001、Low $0.01 两档，完整价格与免费额度未公开，调用量放大前无法准确预估月成本。
Honcho优点和缺点
优点
- 写入消息即自动触发推理，无需额外调用即可持续更新用户画像
- token 节省 60-90%，可直接对冲长上下文成本
- LoCoMo 得分 89.9%、LongMem S 90.4%，公开基准成绩处于前列
- context() 约 200MS 返回，快到可以每一轮对话都调用
- 支持 OpenAI、Anthropic 与自定义模型，不锁定推理后端
- Claude Code、Codex、OpenClaw 等均有官方插件，安装后重启即可用
- 检索不设上限，数据归属使用者自己
缺点
- 完整价格档位与免费额度官网未公开，只能看到 .chat() 的两档起步价
- BEAM 1M 降至 0.618、BEAM 10M 仅 0.409，超长上下文表现回落
- 按次计费叠加大调用量后成本会持续累加，缺少公开的包月方案
- 多平台插件均需自备 Honcho API key，接入前仍需完成注册
Honcho关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| Token 节省 | 60-90 % | honcho.dev 官网首页 |
| LoCoMo 得分 | 89.9% | honcho.dev 官网首页 |
| LongMem S 得分 | 90.4% | honcho.dev 官网首页 |
| BEAM 100K 得分 | 0.630 | honcho.dev 官网首页 |
| BEAM 500K 得分 | 0.646 | honcho.dev 官网首页 |
| BEAM 1M 得分 | 0.618 | honcho.dev 官网首页 |
| BEAM 10M 得分 | 0.409 | honcho.dev 官网首页 |
| context() 返回耗时 | ~200MS | honcho.dev 官网首页 |
| Minimal 档价格 | $0.001 | honcho.dev 官网首页 |
| Low 档价格 | $0.01 | honcho.dev 官网首页 |
Honcho常见问题
Honcho 怎么收费？＋
按推理档位计费。进阶推理 .chat() 的 Minimal 档为 $0.001、即时返回，做单次语义检索；Low 档为 $0.01、即时返回。往上还有 Medium、High、Max 档位，推理资源越多费用越高。完整价格表与免费额度官网未公开。
它和普通向量检索记忆有什么区别？＋
普通记忆系统负责存事实和查事实，Honcho 在写入每条消息时触发一次推理，由自研模型 Neuromancer 推出结论、找出跨交互的模式、生成待验证假设，把用户当作会变化的实体而不是一堆事实。这是用推理换 token，节省区间为 60-90%。
能记住多久的对话？＋
默认情况下 context() 返回摘要与消息的混合，覆盖该 peer 的整个会话历史，不是只取最近几轮。你可以用 tokens 参数限制到 1500 或 3000，也可以关掉摘要、只靠 token 上限取回更多原始消息。
支持哪些模型和平台？＋
模型无关，支持 OpenAI、Anthropic 以及自定义模型。接入方式包括 Python 与 TypeScript SDK、命令行工具，以及 Claude Code、OpenAI Codex、DeepSeek Harness、OpenClaw 的官方插件和 Hermes Agent 集成。
长文档场景靠得住吗？＋
看长度。官方基准里 BEAM 100K 得 0.630、BEAM 500K 得 0.646，属于可用区间；到 BEAM 1M 降到 0.618、BEAM 10M 只有 0.409，百万级以上的超长上下文效果下滑明显，这类场景建议先自行验证。
怎么最快试起来？＋
先在平台注册拿 API key，再按目标环境装插件：Claude Code 用 /plugin marketplace add plastic-labs/claude-honcho 后安装 honcho@honcho；Codex 用 npm install -g @honcho-ai/codex-honcho 再执行 codex-honcho install，装完重启即可。
Honcho竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| Honcho本工具 | 4.6 | 从 $0.001/次起计费，完整价格档位官网未公开 | context() 取上下文；写入即推理；chat() 按需深推理；Token 预算控制 | Web / API / CLI |
| HydraDB | — | 官网未公开具体价格，提供免费注册入口，可联系销售咨询。 | 用于关联型、有状态 AI 上下文和智能体记忆的图数据库 | Web / API |
| Kit for AI | — | 未标价 | AI 文档转换与持久记忆平台 | — |
| Archal | — | 未标价 | 用于测试 AI 代理和集成的有状态 API 沙箱 | — |
| Mother Brain | — | 未标价 | 面向代码库、聊天记录和团队的持久化 AI 记忆平台 | — |
| Unabyss | — | 免费开始，具体价格官网未公开 | 基于 MCP 的、面向 AI 智能体和大语言模型的通用自更新上下文层 | Web / API |
