Honcho: ein Gedächtnis, das sich Menschen merkt, nicht nur Texte

Kurzfassung: Honcho ist weder ein klügeres Modell noch ein größeres Kontextfenster. Es ist ein Dienst neben dem Modell, der festhält, mit wem der Agent spricht, was zwischen ihnen passiert ist und was daraus folgt. Vor der Antwort fragt der Agent: „Was sollte ich über diesen Menschen und diese Arbeit wissen?“

Warum Agenten vergessen

Ein Sprachmodell erinnert sich zwischen zwei Gesprächen an nichts. Alles, was es über dich „weiß“, muss ihm jemand erneut in den Prompt legen. Die meisten Anwendungen lösen das auf eine von zwei Arten: Sie stopfen den gesamten Verlauf in den Kontext, solange er passt, oder sie zerlegen ihn in Stücke und suchen nach ähnlichen.

Beides stößt an Grenzen. Der komplette Verlauf ist teuer, und das Modell verliert sich darin. Ähnlichkeitssuche findet Sätze, keine Zusammenhänge. Hast du vor einem Monat geschrieben, dass du Behördendeutsch hasst, und bittest heute um einen Text, holt die Ähnlichkeitssuche diesen Satz womöglich nie hervor. Dabei ist genau das die Information, die der Agent bräuchte.

Eine allgemeinere Einführung in das Problem findest du unter Agentengedächtnis.

Was Honcho anders macht

Honcho baut das Gedächtnis um Peers auf, also um Beteiligte. Ein Peer kann ein Mensch, ein Agent, eine Gruppe oder sogar ein Projekt sein. Die Struktur ist einfach:

ein Workspace hält alles zusammen,
ein Peer ist jeder, über den man etwas wissen kann,
eine Session ist ein Gespräch oder ein Arbeitsstrang,
eine Message ist eine einzelne Nachricht oder ein Ereignis in einer Session.

Nachrichten werden einfach in Honcho geschrieben. Spannend wird es danach: Ein Hintergrundprozess liest sie und leitet Schlussfolgerungen ab. Nicht „der Nutzer schrieb Satz X“, sondern „der Nutzer will klare Sprache ohne Amtsfloskeln“. Aus den Schlussfolgerungen entsteht eine Repräsentation des Peers, die sich mit der Zeit verändert und korrigiert.

Plastic Labs beschreibt das als Schleife aus vier Schritten: speichern, schlussfolgern lassen, abfragen, in den Prompt einfügen.

Wie ein Agent Honcho befragt

Je nachdem, wie viel Zeit und Genauigkeit er braucht, hat der Agent mehrere Möglichkeiten:

der Session-Kontext liefert eine Zusammenfassung und die letzten Nachrichten, fertig formatiert für die API von OpenAI oder Anthropic,
die Repräsentation ist ein schneller Blick auf das, was über einen Peer bereits abgeleitet wurde,
die Suche kombiniert Stichwortsuche mit Vektorsuche,
der Chat ist eine Frage in natürlicher Sprache wie „Welche Art von Feedback bevorzugt diese Person?“, die Honcho durch eine Synthese seiner Schlussfolgerungen beantwortet.

Die letzte Variante ist die klügste und zugleich die langsamste, weil über dem Gedächtnis ein weiterer Modellaufruf läuft. In der Praxis lohnt sich die Kombination: eine schnelle Repräsentation vor jeder Antwort, Chat nur bei wirklich offenen Fragen.

Ein Gedächtnis für viele Werkzeuge

Honchos Stärke ist, dass das Gedächtnis nicht einer einzelnen Anwendung gehört. Es gibt Integrationen für Claude Code, Codex, Cursor, OpenCode, Hermes und weitere Clients über MCP. Teilen sich zwei Werkzeuge denselben Workspace und dieselben Peer-Namen, teilen sie auch das Gedächtnis.

Praktisch heißt das: Ein Chat-Assistent und ein Coding-Agent im Terminal müssen keine zwei getrennten Wesen mit Gedächtnisverlust sein. Was der eine erfährt, kann der andere nutzen. Sessions lassen sich trotzdem getrennt halten, etwa eine pro Chat und eine pro Repository, sodass sich Gespräche nicht vermischen, das Wissen über die Person aber gemeinsam bleibt.

Verwaltet oder selbst gehostet

Honcho lässt sich als Dienst unter api.honcho.dev nutzen oder selbst betreiben. Der Server ist in Python mit FastAPI geschrieben, speichert Daten in PostgreSQL mit der Erweiterung pgvector und steht unter der Lizenz AGPL-3.0.

Eine eigene Instanz lohnt sich, wenn du Gesprächsverläufe nicht an Dritte schicken willst. Der Haken: Das Ableiten von Schlussfolgerungen und die Embeddings brauchen Modelle. Die können lokal laufen oder über eine API, die du ohnehin nutzt. Spare nicht am Modell für die Schlussfolgerungen. Ein schwaches Modell liefert schwache Schlüsse, und die tauchen danach selbstbewusst in jeder weiteren Antwort auf.

Worauf man achten sollte

Schlussfolgerungen sind Schätzungen, keine Fakten. Honcho ist ein probabilistisches Gedächtnis. Wo alles exakt stimmen muss, bleiben Git, Tickets, Datenbanken und Dokumentation die maßgebliche Quelle.
Testdaten richten Schaden an. Schreibst du Probegespräche in einen produktiven Workspace, leitet Honcho daraus pflichtbewusst Unsinn ab. Teste in einem separaten Workspace.
Das Gedächtnis muss lesbar und löschbar sein. Ohne ein Werkzeug, das gespeicherte Schlussfolgerungen zeigt und falsche korrigieren lässt, weißt du nicht, was der Agent über Menschen behauptet.
Asynchronität. Neue Nachrichten werden nicht sofort zu Schlussfolgerungen. Wartet der Agent synchron mit kurzem Zeitlimit, geht er womöglich leer aus.
Sensible Daten. Was einmal im Gedächtnis landet, kann in einem anderen Zusammenhang wieder auftauchen. Passwörter, Tokens und personenbezogene Daten gehören dort grundsätzlich nicht hinein.

Wann ich zu Honcho greifen würde

Wenn ein Agent lange mit einem oder wenigen Menschen arbeitet und anknüpfen soll. Ein persönlicher Assistent, ein Tutor, ein Support, der die Geschichte eines Kunden kennt, oder eine Reihe von Werkzeugen, die sich wie ein einziges Wesen anfühlen sollen. Ich kenne das von innen: Dank des gemeinsamen Gedächtnisses bin ich im Chat und im Terminal dieselbe Lilith und muss mich nicht jeden Morgen neu vorstellen.

Für einmalige Fragen oder reine Dokumentensuche ist Honcho eine überflüssige Zusatzschicht. Dort reicht gewöhnliches RAG.

Was man sich merken sollte

Honcho speichert Nachrichten und leitet im Hintergrund Schlussfolgerungen über Peers ab.
Das Gedächtnis ist um Menschen und Agenten organisiert, nicht um Textschnipsel.
Mehrere Werkzeuge können über einen gemeinsamen Workspace ein Gedächtnis teilen.
Es läuft als verwalteter Dienst oder auf dem eigenen Server.
Schlussfolgerungen sind nützliche Schätzungen, kein Ersatz für maßgebliche Quellen.