速覽個性化AI身份平台Honcho：如何讓 LLM 應用開啓超個性化體驗？

原文作者：Daniel Barabander，Variant 總顧問&投資合夥人

編譯：Zen，PANews

北京時間4月11日，AI初創公司Plastic Labs宣布完成535萬美元Pre-Seed輪融資，由Variant、White Star Capital和Betaworks領投，Mozilla Ventures、Seed Club Ventures、Greycroft與Differential Ventures等參投，天使投資人包括Scott Moore、NiMA Asghari與Thomas Howell。與此同時，其個性化AI身份平台“Honcho”已正式開放早期訪問。

由於項目尚處於早期，整個加密社區都對 Plastic Labs 知之甚少。而在Plastic通過 X 發布上述融資及產品動態的同時，其主要投資方 Variant 的總顧問兼投資合夥人 Daniel Barabander 也對該項目及其Honcho平台做出了深入解讀。以下爲原文內容：

隨着大規模語言模型（LLM）應用的興起，軟件對個性化的需求前所未有地增長。這類應用依賴自然語言，而自然語言會根據交談對象而變化——就像你向祖父母解釋數學概念時的措辭，與向父母或孩子解釋時截然不同。你會本能地根據聽衆調整表達，而 LLM 應用也必須同樣“懂”它們在和誰對話，才能提供更有效、更貼合的體驗。無論是療愈型助手、法律助理，還是購物伴侶，這些應用都需要真正理解用戶，才能發揮價值。

然而，盡管個性化至關重要，目前市面上並沒有現成的解決方案可供 LLM 應用進行調用。開發者往往不得不自建各種零散系統，將用戶數據（通常以會話日志形式）存儲起來，並在需要時檢索。結果是每個團隊都要重復造輪子，自己搭建用戶狀態管理基礎設施。更糟糕的是，像將用戶交互存入向量數據庫並做檢索增強（RAG）之類的方法，只能回憶起過去的對話，卻無法真正把握用戶本身的興趣、溝通偏好、語氣敏感度等深層特徵。

Plastic Labs 帶來了 Honcho，一款即插即用的平台，讓開發者能夠輕鬆爲任何 LLM 應用實現個性化。開發者無需再從零開始構建用戶建模，只要集成 Honcho，便能立即獲得豐富且持久的用戶畫像。這些畫像比傳統方法更爲細膩，得益於團隊借鑑了認知科學的先進技術；而且它們支持自然語言查詢，讓 LLM 能靈活地根據用戶畫像調整自身行爲。

通過將用戶狀態管理的復雜性抽象掉，Honcho 爲 LLM 應用開啓了超個性化體驗的新高度。但它的意義遠不止於此：Honcho 生成的豐富抽象用戶畫像，也爲長期以來難以實現的“共享用戶數據層”鋪平了道路。

歷史上，共享用戶數據層之所以失敗，主要有兩點：

1. 缺乏互操作性：傳統用戶數據往往高度依賴具體應用場景，難以跨 App 遷移。例如，社交平台 X 可能根據你關注的人來建模，但這套數據對你在 LinkedIn 上的職業網絡毫無幫助。而 Honcho 捕捉的是更高階、更通用的用戶特質，可無縫服務任何 LLM 應用。比如，如果一款輔導應用發現你最適合用類比學習，那麼你的治療助手也能利用這一洞見更有效地與您溝通，盡管兩者的場景截然不同。
2. 缺乏即時價值**：**以往的共享層在早期難以吸引應用接入，因爲它們並未爲先行者帶來實質收益，而先行者正是生成有價值用戶數據的關鍵。Honcho 則不同：它先解決單個應用的用戶狀態管理這一“一級問題”，當足夠多的應用接入後，網絡效應自然會帶來“二級問題”的解決——新應用不僅爲個性化而接入，還能一開始就利用已有的共享用戶畫像，徹底免除冷啓動痛點。

目前，Honcho 已有數百款應用在閉測候補名單中，涵蓋戒癮教練、教育伴侶、閱讀助手和電商工具等多種場景。**團隊的策略是：先聚焦解決應用的用戶狀態管理這一核心難題，再爲願意參與的應用逐步推出共享數據層。**該層將採用加密激勵：早期接入的應用會獲得該層的所有權份額，從而分享其增長紅利；同時，區塊鏈機制也能確保系統去中心化可信，消除中心化機構抽取價值或開發競品的擔憂。

Variant相信，Plastic Labs 團隊具備攻克 LLM 驅動軟件中用戶建模挑戰的實力。該團隊在開發個性化聊天輔導應用 Bloom 時，親身體驗到應用無法真正理解學生和其學習方式的問題。Honcho 正是基於這一洞察誕生，正解決每個 LLM 應用開發者都將面臨的痛點。