Honcho平台：开启LLM应用个性化新时代

北京时间4月11日，AI初创公司Plastic Labs宣布完成了一轮535万美元的Pre-Seed融资。这轮融资由Variant、White Star Capital和Betaworks领投，其他投资方包括Mozilla Ventures、Seed Club Ventures、Greycroft与Differential Ventures等。天使投资人中，有Scott Moore、NiMA Asghari与Thomas Howell的身影。与此同时，Plastic Labs的个性化AI身份平台“Honcho”也正式对外开放了早期访问权限。

Plastic Labs在加密社区中仍是个新面孔，尤其是在其通过社交媒体平台X发布了融资和产品更新后，引起了广泛关注。作为主要投资方之一，Variant的总顾问兼投资合伙人Daniel Barabander对Plastic Labs及其Honcho平台进行了深入解读。

随着大规模语言模型（LLM）的广泛应用，软件对个性化的需求达到了前所未有的高度。这些应用依赖于自然语言，而自然语言会根据对话对象的不同而变化——比如你向祖父母解释数学概念时的用词，和向父母或孩子解释时完全不同。我们会本能地根据听众调整表达方式，LLM应用也需要“理解”它们在与谁对话，才能提供更有效、更贴切的体验。无论是情感支持助手、法律顾问，还是购物助手，这些应用都需要真正理解用户才能发挥其价值。

然而，尽管个性化至关重要，目前市场上并没有现成的解决方案供LLM应用直接使用。开发者往往需要自己构建各种零散的系统来存储用户数据（通常是会话记录），并在需要时进行检索。这导致每个团队都不得不重复构建用户状态管理的基础设施。更糟糕的是，像将用户交互存储在向量数据库并进行检索增强（RAG）这样的方法，只能记住过去的对话，却无法真正把握用户的兴趣、沟通偏好和语气敏感度等深层特征。

Plastic Labs推出的Honcho平台，为开发者提供了一个即插即用的解决方案，使得为任何LLM应用实现个性化变得简单。开发者不再需要从头开始构建用户模型，只需集成Honcho，就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，团队借鉴了认知科学的先进技术；此外，这些画像支持自然语言查询，使LLM能够根据用户画像灵活调整自身行为。

通过将用户状态管理的复杂性抽象化，Honcho为LLM应用开启了超个性化体验的新篇章。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，主要有两点原因：

缺乏互操作性：传统的用户数据往往高度依赖具体的应用场景，难以在不同应用之间迁移。例如，社交平台X可能根据你关注的人来构建模型，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，可以无缝服务于任何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你沟通，尽管两者的应用场景截然不同。

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：它首先解决了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，彻底免除冷启动的痛点。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的，正解决了每个LLM应用开发者都将面临的痛点。