览个性化 AI 身份平台 Honcho：如何让 LLM 应用开启超个性化体验？

TL;DR

随着大规模语言模型的兴起，软件对个性化的需求前所未有地增长。而Plastic Labs推出的Honcho平台以“即插即用”的方式，旨在让开发者不再重复造“轮子”即可获取深度用户画像。

北京时间4月11日，AI初创公司Plastic Labs宣布完成535万美元Pre-Seed轮融资，由Variant、White Star Capital和Betaworks领投，Mozilla Ventures、Seed Club Ventures、Greycroft与Differential Ventures等参投，天使投资人包括Scott Moore、NiMA Asghari与Thomas Howell。与此同时，其个性化AI身份平台“Honcho”已正式开放早期访问。

由于项目尚处于早期，整个加密社区都对 Plastic Labs 知之甚少。而在Plastic通过 X 发布上述融资及产品动态的同时，其主要投资方 Variant 的总顾问兼投资合伙人 Daniel Barabander 也对该项目及其Honcho平台做出了深入解读。以下为原文内容：

随着大规模语言模型（LLM）应用的兴起，软件对个性化的需求前所未有地增长。这类应用依赖自然语言，而自然语言会根据交谈对象而变化——就像你向祖父母解释数学概念时的措辞，与向父母或孩子解释时截然不同。你会本能地根据听众调整表达，而 LLM 应用也必须同样“懂”它们在和谁对话，才能提供更有效、更贴合的体验。无论是疗愈型助手、法律助理，还是购物伴侣，这些应用都需要真正理解用户，才能发挥价值。

然而，尽管个性化至关重要，目前市面上并没有现成的解决方案可供 LLM 应用进行调用。开发者往往不得不自建各种零散系统，将用户数据（通常以会话日志形式）存储起来，并在需要时检索。结果是每个团队都要重复造轮子，自己搭建用户状态管理基础设施。更糟糕的是，像将用户交互存入向量数据库并做检索增强（RAG）之类的方法，只能回忆起过去的对话，却无法真正把握用户本身的兴趣、沟通偏好、语气敏感度等深层特征。

Plastic Labs 带来了 Honcho，一款即插即用的平台，让开发者能够轻松为任何 LLM 应用实现个性化。开发者无需再从零开始构建用户建模，只要集成 Honcho，便能立即获得丰富且持久的用户画像。这些画像比传统方法更为细腻，得益于团队借鉴了认知科学的先进技术；而且它们支持自然语言查询，让 LLM 能灵活地根据用户画像调整自身行为。

通过将用户状态管理的复杂性抽象掉，Honcho 为 LLM 应用开启了超个性化体验的新高度。但它的意义远不止于此：Honcho 生成的丰富抽象用户画像，也为长期以来难以实现的“共享用户数据层”铺平了道路。

历史上，共享用户数据层之所以失败，主要有两点：

• 缺乏互操作性：传统用户数据往往高度依赖具体应用场景，难以跨 App 迁移。例如，社交平台 X 可能根据你关注的人来建模，但这套数据对你在 LinkedIn 上的职业网络毫无帮助。而 Honcho 捕捉的是更高阶、更通用的用户特质，可无缝服务任何 LLM 应用。比如，如果一款辅导应用发现你最适合用类比学习，那么你的治疗助手也能利用这一洞见更有效地与您沟通，尽管两者的场景截然不同。
• 缺乏即时价值：以往的共享层在早期难以吸引应用接入，因为它们并未为先行者带来实质收益，而先行者正是生成有价值用户数据的关键。Honcho 则不同：它先解决单个应用的用户状态管理这一“一级问题”，当足够多的应用接入后，网络效应自然会带来“二级问题”的解决——新应用不仅为个性化而接入，还能一开始就利用已有的共享用户画像，彻底免除冷启动痛点。

目前，Honcho 已有数百款应用在闭测候补名单中，涵盖戒瘾教练、教育伴侣、阅读助手和电商工具等多种场景。团队的策略是：先聚焦解决应用的用户状态管理这一核心难题，再为愿意参与的应用逐步推出共享数据层。该层将采用加密激励：早期接入的应用会获得该层的所有权份额，从而分享其增长红利；同时，区块链机制也能确保系统去中心化可信，消除中心化机构抽取价值或开发竞品的担忧。

Variant相信，Plastic Labs 团队具备攻克 LLM 驱动软件中用户建模挑战的实力。该团队在开发个性化聊天辅导应用 Bloom 时，亲身体验到应用无法真正理解学生和其学习方式的问题。Honcho 正是基于这一洞察诞生，正解决每个 LLM 应用开发者都将面临的痛点。

声明：

1. 本文转载自 [PANews]，著作权归属原作者 [Zen]，如对转载有异议，请联系 Gate Learn 团队，团队会根据相关流程尽速处理。

2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。

3. 文章其他语言版本由 Gate Learn 团队翻译， 在未提及 Gate.io 的情况下不得复制、传播或抄袭经翻译文章。