Honeycomb
legioncodeinc
Persistentes, teilbares Memory für AI-Coding-Agents über Sessions und Tools hinweg.
Was ist Honeycomb?
Ein AGPL-3.0-Daemon, der Coding-Agents dauerhaftes Memory gibt: Er erfasst Agent-Turns, destilliert sie in ein Drei-Stufen-Modell (Keys, Zusammenfassungen, Rohsessions) und liefert sie an jeden Harness (Claude Code, Cursor, Codex) zurück, über ein CLI, ein Dashboard oder MCP/SDK. Das Storage baut auf Activeloop Deeplake auf und läuft vollständig selbst gehostet gegen die Open-Source-Postgres-Erweiterung pg_deeplake, ohne Activeloop-Account.
Vor- & Nachteile
Pros
- Substanzielles, aktiv gepflegtes Projekt (500+ Commits, v0.11.0, am Tag der Prüfung noch gepusht) mit drei Interfaces: CLI, Dashboard und MCP/SDK
- Wirklich selbst hostbar und kostenlos: läuft gegen die offene pg_deeplake-Postgres-Erweiterung, kein Cloud-Account nötig
- Harness-agnostisch - dasselbe Memory wird über Claude Code, Cursor und Codex hinweg abgerufen statt pro Tool isoliert zu sein
Cons
- AGPL-3.0 ist starkes Copyleft: Alles, was du darauf aufbaust, auch über ein Netzwerk, muss unter AGPL veröffentlicht werden - viele Firmen meiden das
- Semantisches Recall ist Opt-in und lädt beim ersten Einsatz ein ca. 600-MB-Embedding-Modell; die zentrale Destillations-/Skill-Mining-Pipeline ist standardmäßig deaktiviert, um Modellkosten zu vermeiden
- Geräte- und Team-Sharing binden an Loopback und laufen über Deeplake-Org-/Workspace-Vermittlung statt direkt Peer-zu-Peer
Lizenz
AGPL-3.0 (OSI-open)
Gesamte Codebasis AGPL-3.0-or-later ohne Open-Core-Split, aber das Copyleft greift netzwerkbasiert - relevant, wenn du es in ein gehostetes Produkt einbettest.
Wann interessant
du eine selbst hostbare Memory-Schicht willst, die dir über Claude Code, Cursor und Codex hinweg folgt.
Wann zu früh
wenn AGPL-Copyleft ein Blocker für dein Produkt ist, oder du keinen Daemon plus Postgres/Deeplake-Backend betreiben willst.
Dieses Repo war in der Ausgabe 2026-07 des Open-Source-KI-Radars.
claude-mem
thedotmack
Persistente Memory-Schicht über Agent-Sessions hinweg mit automatischen semantischen Zusammenfassungen und Token-Kosten-Transparenz.
graphify
safishamsi
KI-Coding-Skill, der einen Ordner aus Code, Docs und Bildern in einen abfragbaren Knowledge Graph verwandelt, über rund 20 Agents hinweg.
memU
NevaMind-AI
Memory-Framework für proaktive KI-Agents - typisierter Memory-Graph aus Chats, Dokumenten und Medien.