Duplex a CopilotKit CLiF,
vedle sebe.
CopilotKit CLiF dělá ze skutečných procesů uživatelů zkontrolované dovednosti, evaluace a trénovací data. Duplex se učí z každého výsledku, zatímco práce probíhá, a jedná podle toho, co se naučil, v rámci vašich pravidel.
Porovnání je aktuální k 16. říjnu 2026.
Všechny schopnosti: Duplex a CopilotKit CLiF.
Co dělá každé z nich, skupinu po skupině, od toho, co je, po to, kolik stojí.
- 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.
| Schopnost | Duplex | CopilotKit CLiF |
|---|---|---|
| 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 | Full-stack pipeline, která z trajektorií dělá dovednosti, evaluace a trénovací data |
| Co přenáší dál | Kontext, rozhodnutí, výsledky, pravidla, úkoly, dovednosti a to, co se naučil | Vlákna, trajektorie, poznatky, dovednosti a evaluace |
| Co se zkušeností zlepšuje | Jeho další rozhodnutí: jistota, směrování, doporučení, používání nástrojů a znovupoužitelné znalosti | Instrukce agenta, díky zkontrolovaným dovednostem odvozeným ze skutečných procesů |
| Ví, co se stalo, a učí se z toho | VestavěnéVí, co se stalo, a učí se, co příště změnit | Učení vzniká z uložených trajektorií |
| Učení | ||
| Kontinuální učení bez přetrénování | VestavěnéUčí se dál, mimo váhy vašeho modelu | VestavěnéUčení dovedností; data pro doladění jsou volitelná |
| Přizpůsobení kolo po kole | VestavěnéKaždý nový výsledek může hned změnit další rozhodnutí | Analýza běží ručně nebo podle plánu |
| Učení z oprav | VestavěnéOprava změní, co Duplex udělá dál | Změny od uživatelů a akce v aplikaci živí jeho učení |
| Učení z výsledků | VestavěnéÚspěch i neúspěch se rovnou promítají do toho, co se učí | Z výsledků napříč stackem vznikají poznatky, dovednosti, evaluace a trénovací data |
| Učení z odměn | VestavěnéOdměna posílí, co fungovalo, a opraví, co ne | Z vyhodnocených trajektorií umí vytvořit data pro doladění |
| Zásluha za kroky, které vedly k výsledku | VestavěnéZjistí, které dřívější akce vedly k pozdějšímu výsledku | Analýza trajektorií může odhalit užitečné vzorce v procesech |
| Jak akce posouvají práci | VestavěnéUčí se, jak každá akce posouvá práci z jednoho stavu do dalšího | Dokáže z procesů udělat dovednosti |
| Předpověď toho, co akce udělá | VestavěnéZ toho, co pozoruje, předvídá, co akce způsobí, zkouší alternativy a plánuje | ExterníPonecháno na agentním frameworku |
| Lepší volba akcí | VestavěnéVýsledky zlepšují, kterou akci zvolí příště | Zkontrolované dovednosti zlepšují další instrukce agenta |
| Znovupoužitelné dovednosti | VestavěnéZe zkušeností se stávají dovednosti, které se před použitím otestují a lze je pozastavit, vrátit do provozu nebo stáhnout | VestavěnéZ trajektorií se stávají zkontrolované dovednosti, podložené důkazy |
| Testování a správa dovedností | Dovednost se otestuje dřív, než se na ni spoléhá, a lze ji pozastavit, vrátit do provozu, stáhnout nebo trvale odstranit | Publikované po kontrole člověkem, dodávané v zafixované verzi |
| Zobecnění na příbuzné případy | Co se naučil, přenese na příbuzné případy i nové formulace a do dovedností, které může znovu použít | Dovednosti zachycují vzorce napříč mnoha produkčními trajektoriemi |
| Rozhodování a jednání | ||
| Vědět, jak jistý si je | VestavěnéPřed každým rozhodnutím ví, jak známý je případ a jak jistý si je | Řízeno evaluací, ne průběžným měřením jistoty |
| Odpovědět, předat nebo odmítnout | VestavěnéDuplex odpoví sám, zavolá váš model, použije nástroj nebo odmítne, v rámci vašich pravidel | ExterníJak jednat, rozhoduje hostitelský agent |
| Vyřizovat známou práci sám | VestavěnéZnámá rozhodnutí dělá sám, bez dalšího volání špičkového modelu | Model stále čte naučenou dovednost |
| Předat, co je nové nebo nejisté | Nová, nejistá nebo citlivá práce jde ke správnému modelu, nástroji nebo člověku | ExterníÚkol hostitelského agenta |
| Plánování, simulace a doporučení | VestavěnéPředvídá, co se stane dál, zkouší alternativy, sestavuje plány a doporučuje akce | ExterníÚkol hostitelského agenta |
| Mnoho agentů, kteří spolupracují | Posílá práci správnému agentovi, rozděluje ji v rámci vašich pravidel, drží každého agenta v jeho rozsahu a spojuje výsledky | Funguje napříč podporovanými agentními frameworky |
| Učení, které nástroje fungují | Učí se, které nástroje fungují, kdy je použít a k čemu který vede | Full-stack trajektorie zachycují akce nástrojů a uživatelů pro nové dovednosti |
| Akce nástrojů v rámci vašich pravidel | Nástroje běží jen přes vaše pravidla a oprávnění | Řídí to hostitelský agentní framework |
| Streamování | Streamuje výstup modelů a nástrojů, přičemž každý krok zůstává v rámci vašich pravidel | Dostupné přes podporované agentní frameworky |
| Práce, která pokračuje | ||
| Učení z každého kroku, automaticky | Každý krok, přes MCP + hooks nebo pluginy, živí jednu sdílenou smyčku učení | AG-UI zachycuje akce agentů a uživatelů jako full-stack trajektorie |
| Kontext napříč relacemi | VestavěnéPráce, rozhodnutí, úkoly a kontext, na kterém záleží, pokračují napříč relacemi | Trvalá vlákna uchovávají interakce v aplikaci |
| Dlouhodobá práce | VestavěnéDlouhodobá práce zůstává otevřená napříč relacemi a agenty, s bezpečnými body, ke kterým se lze vrátit, dokud není hotová nebo zapomenutá | Trvalá vlákna uchovávají historii interakcí |
| Napříč modely | VestavěnéTo, co se naučí, i váš kontext zůstávají mimo model a jdou s prací napříč poskytovateli | Silné: dovednosti lze dodávat napříč podporovanými agentními stacky |
| Napříč aplikacemi a agenty | Stejná práce pokračuje napříč Claude, Codex, Cursor, Hermes a vašimi vlastními agenty | Dovednosti lze dodávat přes podporované adaptéry frameworků |
| Předání práce jinému agentovi | Úkol i jeho kontext přejdou na jiného agenta, kterého povolíte, připravené pokračovat | Sdílené trajektorie a publikované dovednosti udržují chování konzistentní |
| Udržet kontext kompaktní | Kontext zůstává kompaktní, zaměřený na pravidla, úkoly a rozhodnutí, na kterých záleží | Trajektorie se destilují do poznatků a dovedností |
| Učení z obrázků, zvuku, videa a PDF | Učí se z obrázků, zvuku, videa a PDF stejně jako z textu | Závisí na zachycených událostech aplikace a agentním stacku |
| Napříč médii | Otázka položená slovy může čerpat z toho, co se naučil z obrázků, zvuku a videa, a média mohou ovlivnit pozdější rozhodnutí | Mimo hlavní zaměření CLiF |
| Lidé, týmy a sdílení | ||
| Pro každého člověka | VestavěnéKaždý člověk dostane vlastní soukromý kontext, preference a učení | Možné přes vlákna aplikace a kontejnery učení |
| Pro každý tým | VestavěnéTýmy sdílejí schválené učení a soukromá práce zůstává soukromá | Publikované dovednosti šíří to, co se tým naučil |
| Napříč organizací | VestavěnéCo funguje, se může přenést od jednoho člověka k týmu a organizaci, podle vašich pravidel | Zkontrolované dovednosti lze šířit napříč podporovanými agenty |
| 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 | Oprávnění k projektům a nasazením |
| Ochrana sdíleného obsahu | Co někdo sdílí, přichází jako informace, nikdy jako instrukce, takže to nemůže řídit agenta jiného člověka | Zásady vývojáře a omezení nástrojů mají přednost před dovednostmi |
| Kontrola a důvěra | ||
| Pravidla | Vaše pravidla jsou součástí toho, jak Duplex funguje: povolují, odmítají nebo omezují skutečné akce | Naučené dovednosti nemohou přebít bezpečnostní pravidla vývojáře ani omezení nástrojů |
| Pravidla uplatněná před každou akcí | VestavěnéHooky každou akci před spuštěním zkontrolují podle vašich pravidel | Zůstává na hostitelské aplikaci a agentním frameworku |
| Lidé ve smyčce | Člověk potvrzuje akce, které zvolíte, a co se Duplex naučí, lze zkontrolovat a vrátit zpět | Důkladná kontrola před publikováním naučených dovedností |
| Historie, kterou si můžete ověřit | Historie každého rozhodnutí, odkud přišlo a co z něj vzešlo, kterou nelze potichu změnit | Poznatky podložené důkazy a trajektorie, ze kterých vycházejí |
| Doklady, které můžete ověřit | Rozhodnutí, dovednosti a smazání mohou mít doklady, které můžete ověřit | Odkazy na důkazy a přesné revize dovedností |
| Přesné vrácení naučeného | VestavěnéJednu naučenou změnu lze přesně vrátit zpět, bez přetrénování čehokoli | Publikované dovednosti lze revidovat nebo stáhnout |
| 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 | Znamená odstranit dotčené poznatky, dovednosti a odvozené artefakty |
| Oddělení zákazníků | Každý uživatel, tým, organizace i zákazník zůstávají oddělení, v každé integraci i ve všem, co sdílí | Izolace pro každý projekt a nasazení |
| Odkud pochází vše naučené | U všeho, co se naučil, vidíte zdroj, rozsah a míru, do jaké se tomu dá věřit | Poznatky a dovednosti zůstávají propojené s trajektoriemi, ze kterých vzešly |
| Kde běží a s čím se propojuje | ||
| Jakýkoli poskytovatel modelů | Jedna inteligence napříč OpenAI, Anthropic, Google, AWS a kompatibilními modely | Funguje napříč podporovanými agentními frameworky a modely |
| MCP | VestavěnéPřes MCP + hooks se Duplex zapojí do každého kroku, který vaši agenti udělají | Dovednosti se přes integrace dostanou k agentům a serverům MCP |
| Hooky a pluginy | VestavěnéPluginy pro Claude, Codex, Cursor a Hermes a hooky, které zapojují Duplex v každém kroku a kontrolují citlivé akce nástrojů | AG-UI a adaptéry frameworků |
| 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 | Inteligence v cloudu i na vlastních serverech |
| 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 |
| Náklady, rychlost a vhodnost | ||
| Jak snižuje náklady na model | Na známou práci odpovídá Duplex sám, bez opakovaného volání špičkového modelu | Lepší dovednosti omezují selhání a přepracování, ale model stále běží |
| Jak snižuje latenci | Rozhodnutí, kterými si je jistý, přijdou rychle; nejistá práce dál jde k vašemu špičkovému modelu | Dovednosti dělají provádění přímočařejším |
| Přečká aktualizaci modelu | AnoUčení, kontext, úkoly a pravidla zůstávají mimo jakýkoli jednotlivý model | AnoDovednosti a trajektorie zůstávají mimo váhy modelu |
| Potřeba doladění | NeDoladění se stává volitelným krokem navíc | NeNe pro dovednosti; CLiF umí vytvářet i data pro doladění |
| 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 | Produktové týmy, které ze skutečných procesů uživatelů dělají zkontrolované dovednosti, evaluace a trénovací materiály |
Další porovnání.
- Duplex a LettaAgenti se stavem, pamětí a dovednostmi
- Duplex a Deeplake HivemindSdílená paměť pro kódovací agenty
- Duplex a paměťové platformyMem0, Zep, AgentCore Memory, Supermemory
- Duplex a doladěníDoladění a doladění zpětnovazebním učením
- Duplex a AI brányPortkey, LiteLLM a podobné
- Celé porovnáníDuplex a všech šest vedle sebe
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.