Paměť si pamatuje. Dovednosti kodifikují. Doladění přetrénovává. Brány směrují.
Duplex uzavírá smyčku.

Většina AI infrastruktury řeší jednu část práce. Duplex spojí všechny části do jedné inteligence za běhu, která se při práci neustále zlepšuje.

Porovnání je aktuální k 16. říjnu 2026.

Zobrazit všechny schopnosti →Spustit pilotní projekt

Každé z nich řeší jednu část.

Paměťové platformy uchovávají informace. Učení dovedností mění zkušenosti v instrukce. Doladění mění váhy modelu. AI brány směrují požadavky a uplatňují ochranné mantinely. Duplex to všechno spojuje a neustále se zlepšuje.

Paměťové platformy dávají agentovi minulost: fakta, zprávy a epizody, vyhledané pro další volání modelu.

Všechny schopnosti vedle sebe.

Vyberte si jeden a postavte ho vedle Duplexu, nebo zobrazte všechny najednou.

Vestavěné: Vestavěné přímo do jádra toho, jak produkt funguje.
Externí: Zajistíte nebo sestavíte si ho zvlášť.
Není vestavěné: Dokumentace produktu to neuvádí jako vestavěnou funkci. Vlastní řešení může být přesto možné.

Postavit vedle Duplexu:

Schopnost	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	Paměťové platformyMem0, Zep, AgentCore Memory a Supermemory	Doladění a RFT	AI brányPortkey, LiteLLM a podobné
Co je co
Co to je	Inteligence za běhu vedle vaší AI: učí se a jedná pro vaše agenty a asistenty, v rámci vašich pravidel	Agentní platforma se stavem, postavená na trvalé paměti a učení v prostoru tokenů	Full-stack pipeline, která z trajektorií dělá dovednosti, evaluace a trénovací data	Sdílená paměť agentů, která ze záznamů práce automaticky vytváří dovednosti	Trvalý kontext, fakta, epizody a znalostní grafy	Přizpůsobení modelu jeho trénováním	Směrování modelů, spolehlivost, ochranné mantinely a observabilita
Co přenáší dál	Kontext, rozhodnutí, výsledky, pravidla, úkoly, dovednosti a to, co se naučil	Paměť agentů, konverzace, soubory a dovednosti	Vlákna, trajektorie, poznatky, dovednosti a evaluace	Relace, vzpomínky a dovednosti v rozsahu pracovního prostoru	Fakta, zprávy, shrnutí, epizody a vztahy v grafu	Nová sada vah modelu	Konfigurace, logy, zásady směrování a cache
Co se zkušeností zlepšuje	Jeho další rozhodnutí: jistota, směrování, doporučení, používání nástrojů a znovupoužitelné znalosti	Budoucí chování agenta, díky aktualizované paměti a naučeným dovednostem	Instrukce agenta, díky zkontrolovaným dovednostem odvozeným ze skutečných procesů	Chování v příští relaci, díky destilovaným dovednostem	Hlavně kontext předaný dalšímu volání modelu	Odpovědi podkladového modelu	Směrování požadavků a spolehlivost, ne to, co se agent naučil
Ví, co se stalo, a učí se z toho	VestavěnéVí, co se stalo, a učí se, co příště změnit	Obojí je k dispozici, hlavně přes paměť a dovednosti v prostoru tokenů	Učení vzniká z uložených trajektorií	Ze sdílené paměti se stávají znovupoužitelné dovednosti	Hlavně paměť; nakolik se učí, závisí na dodavateli	Učení bez trvalé provozní paměti	Provozní kontrola bez kontinuálního učení
Učení
Kontinuální učení bez přetrénování	VestavěnéUčí se dál, mimo váhy vašeho modelu	VestavěnéUčení v prostoru tokenů a učení dovedností	VestavěnéUčení dovedností; data pro doladění jsou volitelná	VestavěnéUčení dovedností ze záznamů práce	Zlepšování přes kontext; jak hluboko jde, se liší podle platformy	NeUčí se trénováním	Není vestavěné
Přizpůsobení kolo po kole	VestavěnéKaždý nový výsledek může hned změnit další rozhodnutí	Paměť spravovaná agentem se může měnit průběžně; učení dovedností přichází po dokončené zkušenosti	Analýza běží ručně nebo podle plánu	Dovednosti se destilují na pozadí nebo na konci relace	Vzpomínky lze přidávat průběžně, ale jejich vyhledávání není přizpůsobování	Čeká, až skončí trénovací úloha a nový model se nasadí	Směrování se mění okamžitě, ale ne na základě naučených výsledků
Učení z oprav	VestavěnéOprava změní, co Duplex udělá dál	Opravy mohou aktualizovat paměť nebo živit naučené dovednosti	Změny od uživatelů a akce v aplikaci živí jeho učení	Opravy a záznamy relací se mohou stát dovednostmi	Opravy lze uložit a vyhledat jako kontext	Opravy musí jít do trénovací datové sady nebo do pipeline odměn	Obvykle se logují; učení z nich je externí
Učení z výsledků	VestavěnéÚspěch i neúspěch se rovnou promítají do toho, co se učí	Možné díky reflexi trajektorií a aktualizacím spravovaným agentem	Z výsledků napříč stackem vznikají poznatky, dovednosti, evaluace a trénovací data	Nové dovednosti vznikají z dokončených relací	Epizody lze vybavit, ale učení z výsledků je obecně externí	VestavěnéKdyž se výsledky dají převést na odměny	Výsledky se objeví v telemetrii; učení z nich je externí
Učení z odměn	VestavěnéOdměna posílí, co fungovalo, a opraví, co ne	Odměny nejsou jeho hlavním způsobem učení	Z vyhodnocených trajektorií umí vytvořit data pro doladění	Odměny nejsou jeho hlavním způsobem učení	Odměny nejsou standardní funkcí paměti	VestavěnéOdměny optimalizují váhy modelu	Není vestavěné
Zásluha za kroky, které vedly k výsledku	VestavěnéZjistí, které dřívější akce vedly k pozdějšímu výsledku	Letta to za běhu nenabízí jako vestavěnou funkci	Analýza trajektorií může odhalit užitečné vzorce v procesech	Analýza záznamů práce může najít znovupoužitelné postupy	Není vestavěné	Z trénovacích příkladů se může naučit korelace, ale živý výsledek nedokáže dohledat zpět k jeho krokům	Není vestavěné
Jak akce posouvají práci	VestavěnéUčí se, jak každá akce posouvá práci z jednoho stavu do dalšího	Agent to může odvodit z kontextu	Dokáže z procesů udělat dovednosti	Dokáže zachytit úspěšné postupy jako dovednosti	Uložené epizody mohou sloužit jako příklady	Během trénování může tyto vzorce vstřebat	Není vestavěné
Předpověď toho, co akce udělá	VestavěnéZ toho, co pozoruje, předvídá, co akce způsobí, zkouší alternativy a plánuje	Model uvažuje nad pamětí	ExterníPonecháno na agentním frameworku	Není vestavěné	Není vestavěné	Implicitně uvnitř natrénovaného modelu, kde to nemůžete upravit	Není vestavěné
Lepší volba akcí	VestavěnéVýsledky zlepšují, kterou akci zvolí příště	Chování se zlepšuje díky paměti a dovednostem	Zkontrolované dovednosti zlepšují další instrukce agenta	Destilované dovednosti zlepšují další postupy	Vyhledaný kontext může chování ovlivnit nepřímo	VestavěnéOptimalizací modelu	Zásady směrování se konfigurují, neučí se z výsledků
Znovupoužitelné dovednosti	VestavěnéZe zkušeností se stávají dovednosti, které se před použitím otestují a lze je pozastavit, vrátit do provozu nebo stáhnout	VestavěnéZ trajektorií se mohou stát trvalé dovednosti, které fungují s jakýmkoli modelem	VestavěnéZ trajektorií se stávají zkontrolované dovednosti, podložené důkazy	VestavěnéZ relací se stávají soubory skill.md pro pracovní prostor	Závisí na dodavateli; obecně to není to, na čem je kategorie postavená	Znalosti se vstřebají do vah, nebalí se jako přenosné dovednosti	Není vestavěné
Testování a správa dovedností	Dovednost se otestuje dřív, než se na ni spoléhá, a lze ji pozastavit, vrátit do provozu, stáhnout nebo trvale odstranit	Dovednosti jsou soubory, které můžete prohlížet, spravovat a verzovat	Publikované po kontrole člověkem, dodávané v zafixované verzi	Dovednosti zůstávají soubory, které můžete prohlížet a upravovat, propojené s relacemi, ze kterých vzešly	Obvykle životní cyklus pro každý záznam, ne pro každou dovednost	Evaluace probíhá kolem trénování a nasazení	Verze konfigurace, ne životní cyklus naučených dovedností
Zobecnění na příbuzné případy	Co se naučil, přenese na příbuzné případy i nové formulace a do dovedností, které může znovu použít	Dovednosti v prostoru tokenů zobecňují postupy napříč úkoly	Dovednosti zachycují vzorce napříč mnoha produkčními trajektoriemi	Dovednosti zachycují vzorce, které se opakují napříč relacemi	Sémantické vyhledávání najde související informace, což není totéž jako zobecnit chování	Zobecňuje díky natrénovaným vahám	Sémantické cache párují podobné požadavky, ale neučí se, jak jednat
Rozhodování a jednání
Vědět, jak jistý si je	VestavěnéPřed každým rozhodnutím ví, jak známý je případ a jak jistý si je	Hlavně úsudek modelu a to, jak relevantní je paměť	Řízeno evaluací, ne průběžným měřením jistoty	Jak relevantní jsou vyhledávání a dovednosti, ne míra jistoty	Skóre vyhledávání a signály relevance	Jistotu modelu je třeba měřit zvlášť	Stav poskytovatelů, směrování a skóre ochranných mantinelů, ne jistota ohledně úkolu
Odpovědět, předat nebo odmítnout	VestavěnéDuplex odpoví sám, zavolá váš model, použije nástroj nebo odmítne, v rámci vašich pravidel	Agent obvykle pokračuje díky uvažování modelu	ExterníJak jednat, rozhoduje hostitelský agent	ExterníJak jednat, rozhoduje hostitelský agent	ExterníJak jednat, rozhoduje hostitelská aplikace	Natrénovaný model stále běží u každého požadavku	Směrovat, opakovat, blokovat nebo přejít na zálohu, bez učení z výsledků
Vyřizovat známou práci sám	VestavěnéZnámá rozhodnutí dělá sám, bez dalšího volání špičkového modelu	Model stále interpretuje paměť nebo dovednosti	Model stále čte naučenou dovednost	Model stále čte naučenou dovednost	Model obvykle čte vyhledaný kontext	Přizpůsobený model stále běží	Cache může volání modelu přeskočit, ale cache se z výsledků neučí
Předat, co je nové nebo nejisté	Nová, nejistá nebo citlivá práce jde ke správnému modelu, nástroji nebo člověku	Agent a model rozhodují, kdy je potřeba další pomoc	ExterníÚkol hostitelského agenta	ExterníÚkol hostitelského agenta	ExterníÚkol aplikace	ExterníÚkol aplikace	Silné směrování a záloha mezi poskytovateli; jistota ohledně úkolu zůstává externí
Plánování, simulace a doporučení	VestavěnéPředvídá, co se stane dál, zkouší alternativy, sestavuje plány a doporučuje akce	Hlavně díky uvažování modelu a nástrojům agenta	ExterníÚkol hostitelského agenta	ExterníÚkol hostitelského agenta	Paměť dodává kontext; plánování zůstává externí	Model může plánovat lépe, ale stav práce zůstává externí	Není vestavěné
Mnoho agentů, kteří spolupracují	Posílá práci správnému agentovi, rozděluje ji v rámci vašich pravidel, drží každého agenta v jeho rozsahu a spojuje výsledky	K dispozici jsou agenti, subagenti a sdílená paměť	Funguje napříč podporovanými agentními frameworky	Sdílí poučení napříč připojenými agenty	Sdílená paměť může sloužit několika agentům	Není vestavěné	Některé směrují k agentům a nástrojům MCP, ale neučí se, která spolupráce fungovala
Učení, které nástroje fungují	Učí se, které nástroje fungují, kdy je použít a k čemu který vede	Dovednosti a paměť mohou zlepšit používání nástrojů	Full-stack trajektorie zachycují akce nástrojů a uživatelů pro nové dovednosti	Ze záznamů nástrojů se mohou stát znovupoužitelné postupy	Výsledky nástrojů si lze zapamatovat	Chování nástrojů se může trénováním zlepšit	Zpřístupňují a směrují nástroje, ale z jejich výsledků se obecně neučí
Akce nástrojů v rámci vašich pravidel	Nástroje běží jen přes vaše pravidla a oprávnění	Oprávnění agenta a konfigurace nástrojů	Řídí to hostitelský agentní framework	Řídí to hostitelský kódovací agent	ExterníV systémech, které jsou jen pamětí, je to ponecháno na aplikaci	Externí	Silné směrování a ochranné mantinely; kontrola akcí agentů závisí na integraci
Streamování	Streamuje výstup modelů a nástrojů, přičemž každý krok zůstává v rámci vašich pravidel	Dostupné přes rozhraní agentů a modelů	Dostupné přes podporované agentní frameworky	Závisí na hostitelském agentovi	Závisí na dodavateli	Závisí na poskytovateli modelu	VestavěnéSilné streamování
Práce, která pokračuje
Učení z každého kroku, automaticky	Každý krok, přes MCP + hooks nebo pluginy, živí jednu sdílenou smyčku učení	Běhové prostředí Letta ukládá konverzace a akce agentů	AG-UI zachycuje akce agentů a uživatelů jako full-stack trajektorie	Relace agentů a činnost nástrojů se zachycují automaticky	Integrace přes SDK nebo prostředí agenta zachycují zprávy a události	Pro trénování je nutné dodat logy nebo datové sady	Požadavky, odpovědi, náklady a latence se logují
Kontext napříč relacemi	VestavěnéPráce, rozhodnutí, úkoly a kontext, na kterém záleží, pokračují napříč relacemi	VestavěnéTrvalí agenti si uchovávají paměť napříč konverzacemi	Trvalá vlákna uchovávají interakce v aplikaci	VestavěnéSdílená paměť přetrvá relace agentů	VestavěnéPrávě na tom je kategorie postavená	Není vestavěné	ExterníObecně
Dlouhodobá práce	VestavěnéDlouhodobá práce zůstává otevřená napříč relacemi a agenty, s bezpečnými body, ke kterým se lze vrátit, dokud není hotová nebo zapomenutá	Trvalí agenti mohou v práci pokračovat, její životní cyklus určuje agent a aplikace	Trvalá vlákna uchovávají historii interakcí	Paměť relace pomáhá na práci znovu navázat	Kontext lze vyhledat, ale správa stavu úkolů je externí	Není vestavěné	Není vestavěné
Napříč modely	VestavěnéTo, co se naučí, i váš kontext zůstávají mimo model a jdou s prací napříč poskytovateli	Silné: paměť a dovednosti v prostoru tokenů mohou přežít změnu modelu	Silné: dovednosti lze dodávat napříč podporovanými agentními stacky	Silné: dovednosti a paměť mohou znovu použít různí kódovací agenti	Obecně silné, protože paměť nezávisí na modelu	Slabé: nový základní model obvykle vyžaduje přetrénování nebo nové ověření	Silné pro směrování, ale nic naučeného se nepřenese
Napříč aplikacemi a agenty	Stejná práce pokračuje napříč Claude, Codex, Cursor, Hermes a vašimi vlastními agenty	Agenti se stavem jsou dostupní přes SDK a hostované MCP	Dovednosti lze dodávat přes podporované adaptéry frameworků	Sdílená paměť propojuje Claude Code, Codex, Cursor a další agenty	Možné, když aplikace sdílejí stejnou identitu paměti	Není vestavěné	Požadavky mohou sdílet jednu bránu, ale co ví každá aplikace, zůstává externí
Předání práce jinému agentovi	Úkol i jeho kontext přejdou na jiného agenta, kterého povolíte, připravené pokračovat	Sdílení agenti a repozitáře mohou předání podpořit	Sdílené trajektorie a publikované dovednosti udržují chování konzistentní	Dovednosti pracovního prostoru předávají poučení mezi agenty	Jiný oprávněný agent může sdílený kontext vyhledat	Není vestavěné	Směrování k agentům a MCP může být k dispozici; co úkol znamená, zůstává externí
Udržet kontext kompaktní	Kontext zůstává kompaktní, zaměřený na pravidla, úkoly a rozhodnutí, na kterých záleží	Organizace paměti, shrnutí a správa kontextu ve stylu souborů	Trajektorie se destilují do poznatků a dovedností	Relace se destilují do kompaktních dovedností	Shrnutí, vytěžené vzpomínky a epizodické záznamy	Není vestavěné	Zkracování promptů nebo cachování, ne trvalé shrnutí toho, na čem záleží
Učení z obrázků, zvuku, videa a PDF	Učí se z obrázků, zvuku, videa a PDF stejně jako z textu	Závisí na připojeném modelu a nástrojích agenta	Závisí na zachycených událostech aplikace a agentním stacku	Zaměřené hlavně na relace a záznamy nástrojů	Závisí na dodavateli a modelu	Podporováno, když model a trénovací služba dané médium přijímají	Podporovaná média hlavně předává poskytovatelům
Napříč médii	Otázka položená slovy může čerpat z toho, co se naučil z obrázků, zvuku a videa, a média mohou ovlivnit pozdější rozhodnutí	Závisí na modelu a na tom, jak je paměť postavená	Mimo hlavní zaměření CLiF	Mimo hlavní zaměření Hivemind	Dostupné v produktech, které indexují víc než text	Zakódované do vah, pokud to trénování podporuje	Není vestavěné
Lidé, týmy a sdílení
Pro každého člověka	VestavěnéKaždý člověk dostane vlastní soukromý kontext, preference a učení	Vestavěná paměť pro každého agenta i uživatele	Možné přes vlákna aplikace a kontejnery učení	Dostupné v osobním rozsahu nebo v rozsahu pracovního prostoru	Silná paměť pro každého uživatele nebo aktéra	Obvykle vyžaduje zvlášť natrénovaný nebo upravený model	Klíče a rozpočty pro každého uživatele; osobní chování je externí
Pro každý tým	VestavěnéTýmy sdílejí schválené učení a soukromá práce zůstává soukromá	Sdílené repozitáře paměti a dovednosti	Publikované dovednosti šíří to, co se tým naučil	Sdílená paměť a dovednosti pracovního prostoru	Dostupné přes jmenné prostory, grafy nebo sdílená úložiště	Obvykle vyžaduje sdílená trénovací data a sdílený model	Konfigurace a rozpočty pro každý tým
Napříč organizací	VestavěnéCo funguje, se může přenést od jednoho člověka k týmu a organizaci, podle vašich pravidel	Dovednosti a paměť lze sdílet napříč organizací	Zkontrolované dovednosti lze šířit napříč podporovanými agenty	Poučení z pracovního prostoru se mohou šířit napříč připojenými agenty	Sdílená paměť organizace je možná	Vlastní model může zakódovat společné chování pro organizaci	Směrování a ochranné mantinely napříč organizací, bez učení z výsledků
Sdílení mezi lidmi, pod kontrolou	Vy volíte, co se sdílí a s kým, a můžete to odvolat; u všeho sdíleného je vidět, od koho to pochází	Sdílené repozitáře a oprávnění ke spolupráci	Oprávnění k projektům a nasazením	Řízení přístupu k pracovním prostorům	Jmenné prostory podle dodavatele, IAM nebo oprávnění v grafu	Řízení přístupu k datovým sadám a modelům	Řízení podle klíčů, týmů a rolí
Ochrana sdíleného obsahu	Co někdo sdílí, přichází jako informace, nikdy jako instrukce, takže to nemůže řídit agenta jiného člověka	Spoléhá na kontext a oprávnění agenta	Zásady vývojáře a omezení nástrojů mají přednost před dovednostmi	Spoléhá na to, jak se dovednosti načítají, a na důvěru v pracovní prostor	Závisí na aplikaci a dodavateli	Trénovací data potřebují před trénováním vlastní kontroly	Ochranné mantinely mohou kontrolovat sdílené vstupy, ale důvěra v to, co znamenají, zůstává externí
Kontrola a důvěra
Pravidla	Vaše pravidla jsou součástí toho, jak Duplex funguje: povolují, odmítají nebo omezují skutečné akce	Instrukce a oprávnění utvářejí chování agenta	Naučené dovednosti nemohou přebít bezpečnostní pravidla vývojáře ani omezení nástrojů	Dovednosti agenta vedou, ale samy nic nevynucují	Kontext může chování informovat, ale akce neautorizuje	Chování utváří trénování, ne pravidla platná za běhu	Silné ochranné mantinely pro vstupy a výstupy a zásady směrování
Pravidla uplatněná před každou akcí	VestavěnéHooky každou akci před spuštěním zkontrolují podle vašich pravidel	Závisí na běhovém prostředí Letta, oprávněních a hostiteli nástrojů	Zůstává na hostitelské aplikaci a agentním frameworku	Zůstává na hostitelském agentovi	Paměť dodává kontext, ale vnější akce neautorizuje	Externí	Silné pro požadavky a odpovědi, které procházejí bránou
Lidé ve smyčce	Člověk potvrzuje akce, které zvolíte, a co se Duplex naučí, lze zkontrolovat a vrátit zpět	Uživatelé mohou prohlížet a spravovat paměť a dovednosti	Důkladná kontrola před publikováním naučených dovedností	Dovednosti lze před dalším použitím prohlédnout a upravit	Určuje aplikace	Kontrola trénování, evaluace a schválení před nasazením	Schvalovací procesy se liší podle brány
Historie, kterou si můžete ověřit	Historie každého rozhodnutí, odkud přišlo a co z něj vzešlo, kterou nelze potichu změnit	Trvalé konverzace, paměť a stav agenta	Poznatky podložené důkazy a trajektorie, ze kterých vycházejí	Dovednosti propojené s relacemi a uložené záznamy	Historie, sledování zdrojů a auditní kontroly se liší podle dodavatele	Trénovací úlohy, datové sady, metriky odměn a verze modelů	Podrobné logy požadavků, odpovědí, nákladů a zásad
Doklady, které můžete ověřit	Rozhodnutí, dovednosti a smazání mohou mít doklady, které můžete ověřit	Verzované vzpomínky a dovednosti	Odkazy na důkazy a přesné revize dovedností	Soubory dovedností propojené s relacemi, ze kterých vzešly	Sledování zdrojů se liší podle dodavatele	Evaluace modelů a zprávy z trénování	Logy a výsledky ochranných mantinelů, ne doklady o tom, co bylo naučeno
Přesné vrácení naučeného	VestavěnéJednu naučenou změnu lze přesně vrátit zpět, bez přetrénování čehokoli	Dovednosti a vzpomínky lze upravit nebo vrátit na starší verzi	Publikované dovednosti lze revidovat nebo stáhnout	Soubory dovedností lze upravit nebo odstranit	Vzpomínky lze smazat, ale chování na nich postavené se přesně nevrátí	Vrátit celou verzi modelu, nebo přetrénovat bez daného vzorku	Konfiguraci a položky cache lze odstranit; není nic naučeného, co by se dalo vrátit
Zapomínání, které zasáhne vše, co na tom stojí	Odstranění něčeho odstraní i to, co z toho vzešlo: kontext, cokoli z toho sdíleného i související učení	Paměť a dovednosti se čistí přes soubory a verze	Znamená odstranit dotčené poznatky, dovednosti a odvozené artefakty	Znamená odstranit dotčené relace a vygenerované dovednosti	Obvykle maže záznamy; odvozená shrnutí a kopie jinde je třeba řešit zvlášť	Vyžaduje strojové odučení nebo přetrénování	Logy a cache se řídí vlastní dobou uchování
Oddělení zákazníků	Každý uživatel, tým, organizace i zákazník zůstávají oddělení, v každé integraci i ve všem, co sdílí	Oprávnění v cloudu i při provozu na vlastních serverech	Izolace pro každý projekt a nasazení	Paměť a dovednosti v rozsahu pracovního prostoru	Izolace podle uživatele, aktéra, jmenného prostoru, grafu nebo IAM	Cloudové IAM a hranice přístupu k modelům	Vyspělá izolace podle klíče, týmu, rozpočtu a role
Odkud pochází vše naučené	U všeho, co se naučil, vidíte zdroj, rozsah a míru, do jaké se tomu dá věřit	Paměť a dovednosti zůstávají k nahlédnutí	Poznatky a dovednosti zůstávají propojené s trajektoriemi, ze kterých vzešly	Dovednosti mohou odkazovat zpět na relace, ze kterých vzešly	Silné u produktů s časovými grafy; jinde se liší	Dohledatelnost datových sad a metadata trénování	Dohledatelnost požadavků a poskytovatelů
Kde běží a s čím se propojuje
Jakýkoli poskytovatel modelů	Jedna inteligence napříč OpenAI, Anthropic, Google, AWS a kompatibilními modely	Prostředí pro agenty, které funguje s jakýmkoli modelem	Funguje napříč podporovanými agentními frameworky a modely	Funguje napříč několika kódovacími agenty a jejich modely	Obecně nezávislé na modelu	Obvykle vázané na přizpůsobený model a poskytovatele trénování	VestavěnéAbstrakce poskytovatelů je to, co kategorie umí nejlépe
MCP	VestavěnéPřes MCP + hooks se Duplex zapojí do každého kroku, který vaši agenti udělají	Hostované MCP umožňuje jiným agentům vytvářet agenty Letta se stavem a posílat jim zprávy	Dovednosti se přes integrace dostanou k agentům a serverům MCP	Propojuje se s hlavními kódovacími agenty; způsob se liší podle klienta	Dostupné v několika produktech, včetně Supermemory a AgentCore	Není vestavěné	Čím dál častěji vestavěné
Hooky a pluginy	VestavěnéPluginy pro Claude, Codex, Cursor a Hermes a hooky, které zapojují Duplex v každém kroku a kontrolují citlivé akce nástrojů	Integrace přes SDK, CLI a běhové prostředí agentů	AG-UI a adaptéry frameworků	Automatické zachycení relací kódovacích agentů	Integrace přes SDK a MCP	Sběr dat je nutné vybudovat zvlášť	Integrace přes SDK a proxy, ne hooky, které se učí z relací agentů
Váš cloud, nebo na vlastních serverech	Vareon cloud, váš cloud nebo bez cloudu: privátní cloud, váš vlastní účet, na vlastních serverech nebo odpojené od sítě	Cloud a aplikační server hostovaný u vás	Inteligence v cloudu i na vlastních serverech	Lokální integrace agentů; možnosti nasazení se liší	Podle dodavatele; existují open-source i spravované varianty	Trénování v cloudu a hostovaná inference	Hostované varianty i varianty na vlastních serverech se liší podle brány
Bez cloudu: odpojené od sítě	Postavené pro nasazení, odkud nic nesmí odejít, s lokálními modely, lokálními závislostmi a vaším vlastním poskytovatelem identity	Možné se stackem na vlastních serverech a lokálními závislostmi	Možné se stackem na vlastních serverech a lokálními závislostmi	Závisí na zvoleném nasazení a modelových službách	Závisí na platformě	Omezené na služby, které podporují trénování a inferenci offline	Dostupné s bránami na vlastních serverech a lokálními poskytovateli
Náklady, rychlost a vhodnost
Jak snižuje náklady na model	Na známou práci odpovídá Duplex sám, bez opakovaného volání špičkového modelu	Lepší kontext a dovednosti zlepšují výsledky, ale model stále běží	Lepší dovednosti omezují selhání a přepracování, ale model stále běží	Lepší dovednosti omezují opakované chyby, ale model stále běží	Lepší kontext omezuje opakování, ale přidává vyhledávání a model stále volá	Menší přizpůsobený model může dát kvalitu, kterou potřebujete	Cachování, levnější modely, dávkování a volba poskytovatele
Jak snižuje latenci	Rozhodnutí, kterými si je jistý, přijdou rychle; nejistá práce dál jde k vašemu špičkovému modelu	Lépe uspořádaný kontext může omezit zbytečné uvažování	Dovednosti dělají provádění přímočařejším	Dovednosti zkracují opakované zkoumání	Rychlejší vyhledávání a menší kontext	Závisí na přizpůsobeném modelu	Cachování, vyvažování zátěže a volba poskytovatele
Přečká aktualizaci modelu	AnoUčení, kontext, úkoly a pravidla zůstávají mimo jakýkoli jednotlivý model	AnoPaměť a dovednosti jsou záměrně nezávislé na modelu	AnoDovednosti a trajektorie zůstávají mimo váhy modelu	AnoDovednosti přečkají změnu kódovacího agenta nebo modelu	AnoUložený kontext nezávisí na modelu	Přizpůsobení patří k jednomu checkpointu modelu, takže se automaticky nepřenese	Konfigurace směrování přetrvá, ale žádné naučené chování se neuchová
Potřeba doladění	NeDoladění se stává volitelným krokem navíc	Ne	NeNe pro dovednosti; CLiF umí vytvářet i data pro doladění	Ne	Ne	Ano	Ne
Nejlépe se hodí pro	Organizace, které potřebují, aby se jejich AI agenti učili, jednali v rámci pravidel, nesli práci dál a zlepšovali se napříč modely, jako jeden systém	Týmy, které stavějí trvalé, samy se zlepšující agenty na paměti a dovednostech v prostoru tokenů	Produktové týmy, které ze skutečných procesů uživatelů dělají zkontrolované dovednosti, evaluace a trénovací materiály	Týmy, které chtějí, aby kódovací agenti automaticky sdíleli relace a znovu využívali poučení	Aplikace, které potřebují hlavně trvalý, relevantní kontext o uživatelích nebo firmě	Stabilní úlohy s vysokým objemem, kde se musí specializovat samotný model	Týmy, které potřebují hlavně abstrakci poskytovatelů, spolehlivost, ochranné mantinely a kontrolu nákladů

Jedna uzavřená smyčka.

V Duplexu se kontext, učení, dovednosti a vaše pravidla stávají jednou smyčkou, která běží, zatímco práce probíhá.

Duplex rozumí úkolu, který právě řeší, a přináší zpět kontext, na kterém záleží.

Proč na tom záleží.

Model AI může být inteligentní, aniž by kdy získal zkušenost s vaší prací.

Paměťový systém ukazuje modelu, co se stalo dřív, ale nerozhoduje, co by se mělo změnit. Systém dovedností zabalí poučení, ale model ho stále musí přečíst a řídit se jím. Doladění mění model, a to pomalejším trénovacím cyklem, který se těžko vrací zpět. Brána řídí provoz, ale neučí se, které rozhodnutí vedlo k nejlepšímu výsledku.

Duplex mění zkušenost ve zlepšení, zatímco pracuje, v rámci vašich pravidel.

Tak vzniká jiný druh aktiva. Každá potvrzená oprava, úspěšný proces, užitečný výsledek nástroje i dokončený úkol posiluje inteligenci kolem vašeho modelu a nic z toho není uzamčené u jednoho dodavatele modelů.

Závěr.

PaměťDává agentovi minulost.
DovednostiDávají agentovi znovupoužitelné instrukce.
DoladěníDává modelu jiné váhy.
BrányDávají AI stacku kontrolu nad provozem.
DuplexDává celému agentnímu systému schopnost nést zkušenosti dál, učit se z výsledků, jednat v rámci vašich pravidel a zlepšovat se napříč modely, postupem času.

Mezi posuzovanými produkty a kategoriemi je Duplex jediný postavený tak, aby spojoval:

Kontext napříč relacemi
Kontinuální učení z výsledků
Učení z oprav a odměn
Zásluha za kroky, které vedly k výsledku
Učení, jak akce posouvají práci, a předvídání, co přijde dál
Rozhodnutí, která vědí, jak jistá si jsou
Předání správnému modelu, nástroji nebo člověku
Dlouhodobá práce, která pokračuje
Učení pro každého člověka, tým i organizaci
Vaše pravidla, uplatněná před každou akcí
Akce nástrojů v rámci vašich pravidel
Sdílení mezi lidmi, pod kontrolou
Přesné vrácení naučeného
Zapomínání, které zasáhne vše, co na tom stojí
Odkud pochází vše naučené, s doklady
MCP + hooks a pluginy pro asistenty, které používáte
Kontinuita napříč modely a aplikacemi
Váš cloud, na vlastních serverech nebo odpojené od sítě
Méně volání modelu, protože na známou práci se odpovídá přímo

Duplex dělá vaše AI systémy s každou zkušeností lepšími v práci.

Zdroje.

Produktové stránky a dokumentace, ze kterých toto porovnání vychází.

Porovnání je aktuální k 16. říjnu 2026.

Ověřte si Duplex na vlastní práci.

Porovnejte ho tam, kde na tom záleží: pilotní projekt nasadí Duplex na vaši vlastní práci, s měřítky dohodnutými před začátkem.

Spustit pilotní projekt →Poznat Duplex

Paměť si pamatuje. Dovednosti kodifikují. Doladění přetrénovává. Brány směrují.
Duplex uzavírá smyčku.

Každé z nich řeší jednu část.

Paměťové platformy dávají agentovi minulost: fakta, zprávy a epizody, vyhledané pro další volání modelu.

Učení dovedností dává agentovi znovupoužitelné instrukce, odvozené z práce, která se povedla.

Doladění dává modelu jiné váhy, jeden trénovací běh po druhém.

AI brány dávají AI stacku kontrolu nad provozem: směrování, opakované pokusy, ochranné mantinely a náklady.

Duplex uzavírá smyčku: nese kontext dál, učí se z každé opravy i každého výsledku, jedná v rámci vašich pravidel a umožní jakémukoli modelu, který si zvolíte, těžit z toho, co se naučil.

Všechny schopnosti vedle sebe.

Jedna uzavřená smyčka.

Duplex rozumí úkolu, který právě řeší, a přináší zpět kontext, na kterém záleží.

Ví, zda je případ známý, nejistý, nebo spadá pod některé z vašich pravidel.

Rozhoduje, zda jednat sám, zavolat model, použít nástroj, nebo odmítnout.

Učí se, co se stalo a jestli to fungovalo.

Zásluhu připíše rozhodnutím a akcím, které k výsledku vedly.

Změní, co udělá příště, aniž by čekal na cyklus přetrénování.

Co se naučil, přenáší napříč relacemi, aplikacemi, agenty i poskytovateli modelů.

Dokáže vrátit zpět nechtěné učení a přesně ukázat, co se změnilo.

Proč na tom záleží.

Závěr.

Zdroje.

Ověřte si Duplex na vlastní práci.

Paměť si pamatuje. Dovednosti kodifikují. Doladění přetrénovává. Brány směrují.Duplex uzavírá smyčku.

Každé z nich řeší jednu část.

Paměťové platformy dávají agentovi minulost: fakta, zprávy a epizody, vyhledané pro další volání modelu.

Všechny schopnosti vedle sebe.

Jedna uzavřená smyčka.

Duplex rozumí úkolu, který právě řeší, a přináší zpět kontext, na kterém záleží.

Proč na tom záleží.

Závěr.

Zdroje.

Ověřte si Duplex na vlastní práci.

Paměť si pamatuje. Dovednosti kodifikují. Doladění přetrénovává. Brány směrují.
Duplex uzavírá smyčku.