Honcho 是什麼？讓 AI 工具共享記憶的開源方案

換個 AI 工具，記憶就全部消失？

你正在用 Claude Code 寫程式，寫到一半要換 Cursor 繼續。結果呢？所有對話脈絡、專案上下文、你剛才跟 Claude 討論的決定，全部歸零。

這就像你搬家之後，每次見朋友都要重新自我介紹。你說了兩次「我做前端開發」，對方還是得花時間重新認識你。

Honcho 要做的事很簡單：它幫你記住這些事，不管你去哪個 AI 工具。

Honcho 是什麼？用「共用筆記本」來想就對了

Honcho 的官網寫得很簡單：「Honcho 是開源 AI 記憶體，它記住每個使用者在 session、工具和機器之間的狀態。」

翻譯成人話：你不需要每次開啟新對話都重新解釋背景。Honcho 幫你記住，不管你在用什麼工具。

想像你有三個筆記本：一個給 Claude Code，一個給 Cursor，一個給 Grok Bot。你每次跟不同的 AI 工具對話，就寫在不同的筆記本裡。某天你發現，自己忘了昨天在 Cursor 上記了什麼，因為那是另一個筆記本。

Honcho 做的事情就是把這三個筆記本合而為一。不管你在哪個工具裡說了什麼，都會被記在同一個地方。下次你換工具，新工具可以讀到所有以前的記憶。

但這不只是「記性好」那麼簡單。大多數記憶系統只做一件事：儲存你說過的每一句話。Honcho 做更多：它在背後不斷推理，從你的對話中提取結論、找出模式。

這套推理引擎叫 Neuromancer（音同 new-ro-mancer），是 Plastic Labs 自建的模型。根據 honcho.dev 的說法，使用 Neuromancer 可以節省 60–90% 的 token 用量。

什麼是 token？你可以把它想成 AI 閱讀文字時的「字詞單位」，就像人類讀書時的一個個單字。Neuromancer 只傳你需要的上下文，不把所有歷史紀錄一股腦塞給 AI。

它怎麼運作？四個步驟搞懂

Honcho 的核心概念比一般的記憶系統更豐富。我把手上的資料攤在桌上，用一個簡單的流程來說明。

這裡的關鍵名詞是「peer」。在 Honcho 的世界裡，peer 不只是人類使用者，任何參與者都是 peer，包括 AI agent。這讓 Honcho 能建模複雜的多方互動：A 知道 B 的什麼？B 對 C 有什麼印象？

Honcho 把這些知識存在一個個「workspace」裡，每個 workspace 隔離不同應用的資料。在 workspace 裡面，peer 透過 session 交換訊息，而 Honcho 持續推理，建立每個 peer 的完整表示。

不只是記憶，還能推理

我原本以為 Honcho 只是另一個 RAG（Retrieval-Augmented Generation）系統的變體。簡單說，RAG 就是讓 AI 先「翻資料」再回答——像是叫一個助手去圖書館翻書，找到相關內容後拿給你。但 Neuromancer 做不同於此的事：它不只是翻資料，而是從你的對話中「推論」出結論。

Honcho 做的是「推理」：它從你的互動中推導出結論，不只是回傳原始資料。

舉個例子。如果你連續三天跟 Claude 討論一個專案，每次都在不同工具裡，傳統記憶系統會記住你說的每一句話。

但 Honcho 的 Neuromancer 會推斷出你的開發偏好、你常犯的錯誤、你對某個架構的傾向。下次你問它相關問題時，它不會只給你對話紀錄，而是給出一個有推理基礎的回答。

這背後的技術是「peer-centric model」。每個 peer（不管是人類還是 AI）都有自己的 representation，一個動態更新的知識檔案，記錄著 Honcho 對這個 peer 的理解。這種設計讓 Honcho 能處理比使用者和助手二元關係更複雜的場景。

支援哪些工具？

Honcho 的整合清單是它最吸引人的地方之一。我整理了一份完整的對應表：

具體來說：

• Claude Code：/plugin marketplace add plastic-labs/claude-honcho，一行搞定。這是 Honcho README 上推薦的安裝方式，除了這行指令之外還要再跑 /plugin install honcho@honcho 載入完整功能。

• Cursor：從 Cursor Marketplace 安裝 Honcho 插件，透過 OAuth（一種第三方登入驗證方式，讓你不用在每個工具都輸入一次密碼）登入。不需要 honcho init，它會自動完成設定。

• Grok Bot：在 Honcho 插件頁面新增即可，同樣走 OAuth 流程。

• Codex：npm install -g @honcho-ai/codex-honcho，然後執行 codex-honcho install。

• DeepSeek Harness：dsh plugin --profile <name> add @honcho-ai/dsh-honcho，這是 DeepSeek 的 Cordis 原生插件。

• OpenCode：opencode plugin "@honcho-ai/opencode-honcho" --global。

• Kilo Code：kilo plugin @honcho-ai/kilo-honcho --global，一鍵涵蓋 CLI（命令列工具，command-line interface）、VS Code 擴充和 JetBrains 插件。

• 任何 MCP 客戶端：claude mcp add honcho --transport http ...，這個方法適用於 Cursor、Cline、Windsurf 等任何支援 MCP（Model Context Protocol，一種讓 AI 工具連接外部服務的標準協議）的工具。

注意一個細節：Cursor 和 Grok Bot 不需要 honcho init，它們透過 OAuth 登入就能自動完成設定。其他工具則需要先執行 honcho init。

API 金鑰（也就是你的身份驗證密碼）要寫入 ~/.honcho/config.json。所有整合都讀取同一個設定檔，所以一個金鑰就能搞定所有工具。

怎麼開始使用？

我試著按照文件設定，整個流程比我預期的簡單。以下是具體步驟：

如果你不想依賴他們的託管服務，Honcho 也支援自架。你可以用 Docker Compose 快速啟動整個堆疊：

git clone https://github.com/plastic-labs/honcho.git
cd honcho
cp docker-compose.yml.example docker-compose.yml
cp .env.template .env
docker compose up

自架需要 PostgreSQL（含 pgvector 擴充）、一個 LLM（大型語言模型，就是像 GPT 或 Claude 那種 AI）供應商金鑰（OpenAI、OpenRouter 都可以）。Redis 是可選的，預設關閉。如果你已經有這些基礎設施，設定起來並不困難。

定價：免費額度夠用嗎？

Honcho 的定價結構很直觀，我從他們官網 honcho.dev 的定價區確認過以下數字：

• 新帳號：$5 點數
• 每月加卡：額外 $5 點數（綁定信用卡後）
• 記憶體用量：$2.00 / 百萬 token 輸入（官網標示 $2.00/M，M 代表 million tokens）
• 上下文讀取：無限、約 200ms 回應速度

換句話說，如果你每月綁定信用卡，你總共可以獲得 $10 的免費額度。以 $2/百萬 token 來算，這代表 500 萬 token 的記憶體用量。對於一般開發者來說，這個額度相當寬鬆。

但要注意一個細節：「上下文讀取無限」意味著你向 Honcho 查詢記憶不需要花錢，只有寫入（memory ingestion）才計費。這對需要頻繁查詢記憶的使用者來說非常划算。

Honcho 也針對初創公司提供特別方案：raising 不到 $5M 的團隊可以申請 $1,000 點數和 12 個月的補貼定價。

Honcho 的優勢在於「推理記憶」和「peer-centric 架構」。大多數替代方案只做檢索，而 Honcho 會從你的互動中學習並推導結論。它的 peer 模型也能處理更複雜的多方互動場景。

不過 Honcho 也有缺點：Neuromancer 是一個黑箱，你無法完全掌控推理的細節或自訂邏輯。如果你需要高度客製化的記憶行為，可能需要自己寫 adapter——adapter 就是串接用的程式，就像不同品牌的充電線要配轉接頭才能插在一起。

適合什麼人用？

經過研究，我認為 Honcho 最適合以下幾種場景：

跨工具開發者：如果你經常在 Claude Code、Cursor、Grok Bot 之間切換，Honcho 能讓你在不同工具間共享專案脈絡。換個工具不用重新介紹自己。這跟我們之前討論的 Claude Code 工作紀律（幫它裝一套資深工程師的工作紀律）搭配起來效果更好，記憶層讓紀律跨工具持續生效。

多 Agent 協作：Honcho 的 peer 模型讓多個 AI agent 能共享記憶。你可以建立一個系統，讓不同的 agent 分工合作，同時保持全局的上下文一致性。

個人知識管理：把日常學習和筆記存入 Honcho，然後隨時向它提問。它是基於你的學習軌跡給出有推理基礎的回答，而不只是關鍵字匹配。

誠實說：Honcho 的風險

任何新工具都有不確定性，Honcho 也不例外。以下是我研究後覺得你需要知道的幾件事：

AGPL-3.0 授權：Honcho 使用 AGPL-3.0 授權。這意味著如果你修改了 Honcho 的程式碼並透過網路提供服務，你就必須公開你的修改。對於內部使用的專案來說通常沒問題，但商用時需要仔細評估。

依賴 Neuromancer：Neuromancer 是 Plastic Labs 的自有推理模型。雖然官方說它「以更低成本和延遲達到 SOTA」，但你無法替換成其他模型來比較或調校。這是一個黑箱推理引擎。不過從 GitHub 的 .env.template 可以看到，自架時 deriver 模型是可以透過環境變數設定的，支援 google/ 等開源模型。

託管服務的穩定性：如果你使用 api.honcho.dev，你的記憶存在他們的伺服器上。如果服務中斷或公司營運出問題，你的資料會怎樣？自架是解法，但需要自己維護基礎設施。

長期成本：雖然每月有免費額度，但隨著對話量增長，記憶體用量也會增加。如果你的專案有大量歷史對話，$2/百萬 token 的成本可能隨時間累積。

最後說兩句

Honcho 解決的問題很根本：每個 AI 工具的記憶都是孤立的。換個模型、換個工具，所有對話脈絡就歸零。這不是 UX 問題，這是架構問題。

Honcho 試圖用開源的記憶體層來打通這些孤島。它讓 AI agent 真正持續學習和成長。這是我覺得最有價值的部分。

當然，Honcho 還很新。社群在成長、文件在完善、整合在增加。如果你願意接受 AGPL-3.0 的限制，並且不介意推理過程是黑箱，那麼 Honcho 確實是目前最完整的跨模型記憶體解決方案。

我的建議是：先拿 $5 免費額度試試看。設定簡單，整合豐富，花不了多少時間。但如果你真的在多個 AI 工具之間切換，它可能會改變你的工作流。

---

延伸閱讀：

• Claude Code 免費跑：Ollama 或 OpenRouter，帳單歸零兩種做法
• 把 Claude 接進 TradingView：MCP 讓 AI 直接讀你的 K 線
• MCP 是什麼？三個新手最常搞錯的誤解一次講清楚
• AI 幫你寫程式老是衝太快、還自稱「完成了」？幫它裝一套資深工程師的工作紀律