Как научить ИИ-агентов помнить всё и понимать пользователя
Представьте, что вы строите чат-бота для обучения математике. Вчера ваш пользователь, назовем её Алиса, жаловалась, что ненавидит скучные формулы и обожает визуальные примеры. Сегодня она заходит снова. Если ваш агент начнет сыпать сухими определениями, Алиса закроет вкладку. Чтобы этого не случилось, агенту нужна память, причем не просто лог переписки, а понимание контекста и личности собеседника.
Репозиторий honcho от команды Plastic Labs предлагает именно это — библиотеку управления памятью для создания «состоятельных» (stateful) агентов. Ребята называют свой подход «парето-эффективной памятью», и, судя по их коду, они всерьез решили закрыть вопрос с тем, как ИИ хранит и извлекает знания о пользователях.
Зачем это нужно, когда есть RAG
Обычно проблему памяти решают через простой RAG (Retrieval-Augmented Generation): закидываем историю чата в векторную базу и достаем похожие куски. Но у этого подхода есть пара проблем. Во-первых, база быстро превращается в свалку сообщений. Во-вторых, извлечь из этой свалки портрет пользователя — например, тот факт, что Алиса предпочитает визуальный стиль обучения — задача нетривиальная.
Honcho работает иначе. Это не просто хранилище, а система непрерывного обучения. Она анализирует диалоги в фоновом режиме и выводит «заключения» (conclusions). Вместо того чтобы каждый раз перечитывать тысячи строк логов, агент обращается к актуальному срезу знаний о сущности.
Как это устроено внутри
В основе Honcho лежит концепция Peers (Пиры). Разработчики отказались от жесткого разделения на «пользователя» и «ассистента». В этой системе все участники — пиры. Это могут быть люди, ИИ-агенты или даже группы. Такой подход позволяет легко строить мультиагентные системы, где несколько ИИ общаются между собой и с пользователем в одной сессии.
Архитектурно проект состоит из двух частей:
- Storage (Хранилище): здесь живут воркспейсы, сессии и сообщения.
- Reasoning (Рассуждения): фоновые воркеры (derivers), которые превращают сырые сообщения в смыслы — саммари сессий и репрезентации пиров.
Интересно, что для работы «рассуждалки» можно использовать разные модели. По умолчанию для сложных выводов предлагается Anthropic, для суммаризации — Gemini, а для генерации поисковых запросов — Groq. Настройками можно гибко управлять через config.toml.
Быстрый старт на Python
Интеграция выглядит довольно прямолинейно. Сначала ставим пакет:
pip install honcho-ai
Затем инициализируем клиента и создаем сессию. Вот пример того, как это выглядит в коде:
from honcho import Honcho
# Создаем рабочее пространство
honcho = Honcho(workspace_id="math-tutor-app")
# Определяем участников
alice = honcho.peer("alice")
tutor = honcho.peer("tutor")
# Начинаем сессию
session = honcho.session("homework-1")
session.add_messages([
alice.message("Мне тяжело даются формулы, я лучше понимаю графики."),
tutor.message("Понял тебя! Давай разберем производную через наклон касательной на рисунке.")
])
Самое интересное начинается, когда вы хотите вытащить инсайты. Вместо ручного парсинга можно спросить Honcho напрямую:
# Спрашиваем о предпочтениях пользователя на естественном языке
response = alice.chat("Какой стиль обучения предпочитает этот пользователь?")
print(response) # Выдаст информацию о визуальном стиле на основе истории
Что в этом проекте зацепило
Во-первых, наличие Dialectic API. Это эндпоинт, который работает как «оракул». Ваше приложение может консультироваться с ним перед тем, как ответить пользователю. Это позволяет «гидрировать» промпты актуальными фактами, не раздувая контекстное окно основного LLM-запроса.
Во-вторых, Background Processing. В репозитории есть отдельный компонент deriver. Он работает асинхронно, переваривая сообщения в фоновом режиме. Это значит, что основной чат не будет тормозить, пока система пытается понять, что нового она узнала о пользователе.
В-третьих, гибкость в выборе векторного движка. Honcho поддерживает pgvector (через Postgres), turbopuffer или lancedb. Для локальной разработки проще всего поднять Docker с Postgres, шаблон которого уже лежит в корне проекта.
Кому стоит попробовать
Honcho — это не замена LangChain или Index, а скорее специализированный слой для тех, кто перерос простые чат-боты. Проект пригодится, если вы строите:
- Персонализированных ИИ-тьюторов или менторов.
- Ролевые игры с ИИ, где персонажи должны помнить долгосрочные отношения.
- Сложные B2B-ассистенты, которые работают с группами людей и должны понимать контекст организации.
Проект сейчас активно развивается (версия 3.0.3), документация вполне вменяемая, хотя местами и лаконичная. Если вам надоело вручную склеивать историю чата и вы хотите, чтобы ваши агенты действительно «узнавали» пользователей, Honcho — отличный кандидат для изучения.
Попробовать облачную версию можно на app.honcho.dev, но для полного контроля лучше развернуть сервер локально через uv или Docker, как описано в их гайде по разработке.
