Hukommelse husker. Færdigheder nedfælder. Finjustering gentræner. Gateways router.
Duplex lukker sløjfen.

Det meste AI-infrastruktur løser én del af arbejdet. Duplex samler alle dele i én runtime-intelligens, der bliver ved med at blive bedre, mens den arbejder.

Sammenligningen er aktuel pr. 16. oktober 2026.

Se alle evner →Start et pilotprojekt

Hver løser én del.

Hukommelsesplatforme opbevarer information. Færdighedslæring gør erfaring til instruktioner. Finjustering ændrer modellens vægte. AI-gateways router forespørgsler og anvender guardrails. Duplex samler det hele og bliver ved med at forbedre sig.

Hukommelsesplatforme giver en agent en fortid: fakta, beskeder og episoder, hentet frem til det næste modelkald.

Alle evner, side om side.

Vælg én at sætte ved siden af Duplex, eller se dem alle på én gang.

Indbygget: Bygget ind i kernen af, hvordan produktet fungerer.
Ekstern: Du leverer det, eller samler det, separat.
Ikke indbygget: Produktets dokumentation angiver det ikke som en indbygget funktion. En specialbygget løsning kan stadig være mulig.

Sæt ved siden af Duplex:

Evne	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	HukommelsesplatformeMem0, Zep, AgentCore Memory og Supermemory	Finjustering og RFT	AI-gatewaysPortkey, LiteLLM og lignende
Hvad hver enkelt er
Hvad den er	En runtime-intelligens ved siden af din AI: den lærer og handler for dine agenter og assistenter, inden for dine regler	En platform til agenter med tilstand, bygget op om vedvarende hukommelse og læring i token-rummet	En full-stack-pipeline, der gør forløb til færdigheder, evalueringer og træningsdata	Delt agenthukommelse, der automatisk gør spor til færdigheder	Vedvarende kontekst, fakta, episoder og vidensgrafer	At tilpasse en model ved at træne den	Modelrouting, pålidelighed, guardrails og observerbarhed
Hvad den bringer videre	Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært	Agenthukommelse, samtaler, filer og færdigheder	Tråde, forløb, indsigter, færdigheder og evalueringer	Sessioner, minder og færdigheder afgrænset til et arbejdsområde	Fakta, beskeder, resuméer, episoder og grafrelationer	Et nyt sæt modelvægte	Konfiguration, logge, routingpolitikker og caches
Hvad der bliver bedre med erfaring	Dens næste beslutninger: konfidens, routing, anbefalinger, værktøjsbrug og genbrugelig viden	Agentens fremtidige adfærd, gennem opdateret hukommelse og lærte færdigheder	Agentens instruktioner, gennem gennemgåede færdigheder hentet fra rigtige arbejdsgange	Den næste sessions adfærd, gennem destillerede færdigheder	Primært den kontekst, der gives til det næste modelkald	Den underliggende models svar	Routing af forespørgsler og pålidelighed, ikke hvad agenten har lært
At vide, hvad der skete, og lære af det	IndbyggetDen ved, hvad der skete, og lærer, hvad der skal ændres næste gang	Begge findes, primært gennem hukommelse og færdigheder i token-rummet	Læring genereres ud fra lagrede forløb	Delt hukommelse gøres til genbrugelige færdigheder	Primært hukommelse; hvor meget den lærer, varierer fra leverandør til leverandør	Læring uden varig operationel hukommelse	Operationel kontrol uden løbende læring
Læring
Kontinuerlig læring uden gentræning	IndbyggetDen bliver ved med at lære, uden for din models vægte	IndbyggetToken-rums- og færdighedslæring	IndbyggetFærdighedslæring; finjusteringsdata er valgfrie	IndbyggetLæring af færdigheder fra spor	Forbedring gennem kontekst; hvor dybt det går, varierer fra platform til platform	NejTræning er måden, den lærer på	Ikke indbygget
Tilpasning tur for tur	IndbyggetHvert nyt resultat kan ændre den næste beslutning med det samme	Agentstyret hukommelse kan ændre sig løbende; færdighedslæring følger efter afsluttet erfaring	Analysen køres manuelt eller efter en tidsplan	Færdigheder destilleres i baggrunden eller ved afslutningen af en session	Minder kan tilføjes løbende, men at hente dem frem er ikke at tilpasse sig	Venter, til et træningsjob er færdigt, og den nye model er udrullet	Routingen ændres med det samme, men ikke ud fra lærte udfald
Læring fra rettelser	IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang	Rettelser kan opdatere hukommelsen eller indgå i lærte færdigheder	Brugerændringer og handlinger i appen indgår i dens læring	Rettelser og sessionsspor kan blive til færdigheder	Rettelser kan lagres og hentes frem som kontekst	Rettelser skal ind i et træningsdatasæt eller en belønningspipeline	Logges som regel; læring fra dem er ekstern
Læring fra udfald	IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer	Muligt gennem refleksion over forløb og agentstyrede opdateringer	Udfald på tværs af stakken bliver til indsigter, færdigheder, evalueringer og træningsdata	Nye færdigheder udledes af afsluttede sessioner	Episoder kan hentes frem, men læring fra udfald er generelt ekstern	IndbyggetNår udfald kan omsættes til belønninger	Udfald dukker op i telemetrien; læring fra dem er ekstern
Læring fra belønninger	IndbyggetEn belønning styrker det, der virkede, og retter det, der ikke gjorde	Belønninger er ikke dens vigtigste måde at lære på	Kan producere finjusteringsdata ud fra evaluerede forløb	Belønninger er ikke dens vigtigste måde at lære på	Belønninger er ikke en almindelig hukommelsesfunktion	IndbyggetBelønninger optimerer modellens vægte	Ikke indbygget
Æren til trinnene bag et resultat	IndbyggetDen finder ud af, hvilke tidligere handlinger der førte til et senere resultat	Letta tilbyder ikke dette indbygget under kørsel	Analyse af forløb kan bringe nyttige mønstre i arbejdsgange frem	Analyse af spor kan finde genbrugelige procedurer	Ikke indbygget	Kan lære korrelationer fra træningseksempler, men kan ikke spore et resultat i drift tilbage til dets trin	Ikke indbygget
Hvordan handlinger flytter arbejdet	IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste	Agenten kan udlede dette fra konteksten	Kan gøre arbejdsgange til færdigheder	Kan fange vellykkede procedurer som færdigheder	Lagrede episoder kan tjene som eksempler	Kan optage disse mønstre under træning	Ikke indbygget
At forudsige, hvad en handling vil gøre	IndbyggetUd fra det, den observerer, forudsiger den, hvad en handling vil gøre, afprøver alternativer og planlægger	Modellen ræsonnerer over hukommelsen	EksternOverladt til agentframeworket	Ikke indbygget	Ikke indbygget	Implicit i den trænede model, hvor du ikke kan redigere det	Ikke indbygget
Bedre valg af handling	IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang	Adfærden forbedres gennem hukommelse og færdigheder	Gennemgåede færdigheder forbedrer agentens næste instruktioner	Destillerede færdigheder forbedrer de næste procedurer	Genfundet kontekst kan forme adfærden indirekte	IndbyggetVed at optimere modellen	Routingpolitikker konfigureres, de læres ikke ud fra udfald
Genbrugelige færdigheder	IndbyggetErfaring bliver til færdigheder, der testes før brug, og som kan sættes på pause, hentes tilbage eller trækkes tilbage	IndbyggetForløb kan blive til varige færdigheder, der virker med enhver model	IndbyggetForløb bliver til gennemgåede færdigheder, underbygget af evidens	IndbyggetSessioner bliver til skill.md-filer til arbejdsområdet	Afhænger af leverandøren; generelt ikke det, kategorien er bygget op om	Viden optages i vægtene og pakkes ikke som flytbare færdigheder	Ikke indbygget
At teste og styre færdigheder	En færdighed testes, før man forlader sig på den, og kan sættes på pause, hentes tilbage, trækkes tilbage eller fjernes for altid	Færdigheder er filer, du kan inspicere, styre og versionere	Udgives efter menneskelig gennemgang og leveres i en fastlåst version	Færdigheder forbliver filer, du kan inspicere og redigere, koblet til de sessioner, de kom fra	Som regel en livscyklus pr. Post, ikke pr. Færdighed	Evaluering sker omkring træning og udrulning	Konfigurationsversioner, ikke en livscyklus for lærte færdigheder
Generalisering til beslægtede tilfælde	Den fører det, den har lært, videre til beslægtede tilfælde og nye formuleringer og ind i færdigheder, den kan genbruge	Færdigheder i token-rummet generaliserer procedurer på tværs af opgaver	Færdigheder fanger mønstre på tværs af mange produktionsforløb	Færdigheder fanger mønstre, der går igen på tværs af sessioner	Semantisk genfinding finder relateret information, hvilket ikke er det samme som at generalisere adfærd	Generaliserer gennem de trænede vægte	Semantiske caches matcher lignende forespørgsler, men lærer ikke, hvordan de skal handle
At beslutte og handle
At vide, hvor sikker den er	IndbyggetFør hver beslutning ved den, hvor velkendt sagen er, og hvor sikker den er	Primært modellens dømmekraft og hvor relevant hukommelsen er	Drevet af evaluering, ikke et løbende mål for vished	Hvor relevante genfinding og færdigheder er, ikke et mål for vished	Genfindingsscorer og relevanssignaler	Modellens konfidens skal måles separat	Udbydernes tilstand, routing og guardrail-scorer, ikke vished om opgaven
Svar, overdrag eller afvis	IndbyggetDuplex svarer selv, kalder din model, bruger et værktøj eller afviser, inden for dine regler	Agenten fortsætter som regel gennem modellens ræsonnement	EksternVærtsagenten afgør, hvordan der skal handles	EksternVærtsagenten afgør, hvordan der skal handles	EksternVærtsapplikationen afgør, hvordan der skal handles	Den trænede model kører stadig ved hver forespørgsel	Router, prøver igen, blokerer eller falder tilbage, uden at lære af udfald
At svare selv på velkendt arbejde	IndbyggetDen træffer selv velkendte beslutninger uden endnu et kald til en frontiermodel	Modellen fortolker stadig hukommelsen eller færdighederne	Modellen læser stadig den lærte færdighed	Modellen læser stadig den lærte færdighed	Modellen læser normalt den genfundne kontekst	Den tilpassede model kører stadig	En cache kan springe et modelkald over, men en cache lærer ikke af udfald
At overdrage det, der er nyt eller usikkert	Nyt, usikkert eller følsomt arbejde går til den rette model, det rette værktøj eller den rette person	Agenten og modellen afgør, hvornår der er brug for mere hjælp	EksternVærtsagentens opgave	EksternVærtsagentens opgave	EksternApplikationens opgave	EksternApplikationens opgave	Stærk routing og fallback mellem udbydere; vished om opgaven forbliver ekstern
Planlægning, simulering og anbefalinger	IndbyggetDen forudsiger, hvad der sker derefter, afprøver alternativer, bygger planer og anbefaler handlinger	Primært gennem modellens ræsonnement og agentens værktøjer	EksternVærtsagentens opgave	EksternVærtsagentens opgave	Hukommelsen leverer kontekst; planlægning forbliver ekstern	Modellen planlægger måske bedre, men arbejdets tilstand forbliver ekstern	Ikke indbygget
Mange agenter, der arbejder sammen	Den sender arbejdet til den rette agent, deler det op inden for dine regler, holder hver agent inden for dens område og samler resultaterne	Agenter, subagenter og delt hukommelse er tilgængelige	Fungerer på tværs af understøttede agentframeworks	Deler lærdomme på tværs af forbundne agenter	Delt hukommelse kan betjene flere agenter	Ikke indbygget	Nogle router til agenter og MCP-værktøjer, men lærer ikke, hvilket samarbejde der virkede
At lære, hvilke værktøjer der virker	Den lærer, hvilke værktøjer der virker, hvornår de skal bruges, og hvad hvert enkelt fører til	Færdigheder og hukommelse kan forbedre værktøjsbrug	Full-stack-forløb fanger værktøjs- og brugerhandlinger til nye færdigheder	Værktøjsspor kan blive til genbrugelige procedurer	Værktøjsresultater kan huskes	Værktøjsadfærd kan forbedres gennem træning	De eksponerer og router værktøjer, men lærer generelt ikke af deres udfald
Værktøjshandlinger inden for dine regler	Værktøjer kører kun gennem dine regler og tilladelser	Agenttilladelser og værktøjskonfiguration	Styres af værtens agentframework	Styres af værtens kodeagent	EksternOverladt til applikationen i systemer, der kun har hukommelse	Ekstern	Stærk routing og stærke guardrails; kontrol med agentens handlinger afhænger af integrationen
Streaming	Den streamer output fra model og værktøjer, med hvert trin stadig inden for dine regler	Tilgængelig gennem agent- og modelgrænseflader	Tilgængelig gennem understøttede agentframeworks	Afhænger af værtsagenten	Afhænger af leverandøren	Afhænger af modeludbyderen	IndbyggetStærk streaming
Arbejde, der fortsætter
Læring fra hvert trin, automatisk	Hvert trin, gennem MCP + hooks eller plugins, indgår i én fælles læringssløjfe	Lettas runtime lagrer agenternes samtaler og handlinger	AG-UI fanger agent- og brugerhandlinger som full-stack-forløb	Agentsessioner og værktøjsaktivitet fanges automatisk	Integrationer via SDK eller agentmiljø fanger beskeder og hændelser	Logge eller datasæt skal leveres til træningen	Forespørgsler, svar, omkostninger og latens logges
Kontekst på tværs af sessioner	IndbyggetArbejde, beslutninger, opgaver og den kontekst, der betyder noget, fortsætter på tværs af sessioner	IndbyggetVedvarende agenter bevarer hukommelsen på tværs af samtaler	Varige tråde bevarer interaktionerne i appen	IndbyggetDelt hukommelse lever længere end agentsessionerne	IndbyggetDet er netop det, kategorien er bygget op om	Ikke indbygget	EksternGenerelt
Langvarigt arbejde	IndbyggetLangt arbejde forbliver åbent på tværs af sessioner og agenter, med sikre punkter at vende tilbage til, indtil det er færdigt eller glemt	Vedvarende agenter kan føre arbejdet videre, med en livscyklus, som agenten og appen fastlægger	Varige tråde bevarer historikken over interaktioner	Sessionshukommelse hjælper med at tage arbejdet op igen	Kontekst kan hentes frem, men styring af opgavernes tilstand er ekstern	Ikke indbygget	Ikke indbygget
På tværs af modeller	IndbyggetDet, den lærer, og din kontekst forbliver uden for modellen og følger arbejdet på tværs af udbydere	Stærk: hukommelse og færdigheder i token-rummet kan overleve et modelskift	Stærk: færdigheder kan leveres på tværs af understøttede agentstakke	Stærk: færdigheder og hukommelse kan genbruges af forskellige kodeagenter	Generelt stærk, fordi hukommelsen ikke afhænger af modellen	Svag: en ny basismodel kræver som regel gentræning eller ny validering	Stærk til routing, men intet lært følger med
På tværs af apps og agenter	Det samme arbejde fortsætter på tværs af Claude, Codex, Cursor, Hermes og dine egne agenter	Agenter med tilstand kan nås via SDK’er og hostet MCP	Færdigheder kan leveres via understøttede framework-adaptere	Delt hukommelse forbinder Claude Code, Codex, Cursor og andre agenter	Muligt, når apps deler den samme hukommelsesidentitet	Ikke indbygget	Forespørgsler kan dele én gateway, men det, hver app ved, forbliver eksternt
At overdrage arbejde til en anden agent	En opgave og dens kontekst går videre til en anden agent, du tillader, klar til at fortsætte	Delte agenter og repositorier kan understøtte en overdragelse	Delte forløb og udgivne færdigheder holder adfærden ensartet	Færdigheder i arbejdsområdet giver lærdomme videre mellem agenter	En anden autoriseret agent kan hente den delte kontekst frem	Ikke indbygget	Routing til agenter og MCP kan være tilgængelig; hvad opgaven betyder, forbliver eksternt
At holde konteksten kompakt	Konteksten forbliver kompakt, fokuseret på de regler, opgaver og beslutninger, der betyder noget	Organisering af hukommelse, resuméer og filbaseret kontekststyring	Forløb destilleres til indsigter og færdigheder	Sessioner destilleres til kompakte færdigheder	Resuméer, udtrukne minder og episodiske optegnelser	Ikke indbygget	Afkortning eller caching af prompts, ikke et varigt resumé af det, der betyder noget
Læring fra billeder, lyd, video og PDF’er	Den lærer af billeder, lyd, video og PDF’er, ligesom den gør af tekst	Afhænger af den tilsluttede model og agentens værktøjer	Afhænger af de opfangede app-hændelser og agentstakken	Primært fokuseret på sessioner og værktøjsspor	Afhænger af leverandøren og modellen	Understøttet, når modellen og træningstjenesten accepterer formatet	Sender primært understøttede formater videre til udbyderne
På tværs af formater	Et spørgsmål i ord kan trække på det, der er lært fra billeder, lyd og video, og medier kan forme senere beslutninger	Afhænger af modellen og af, hvordan hukommelsen er bygget	Uden for CLiFs hovedfokus	Uden for Hiveminds hovedfokus	Tilgængelig i produkter, der indekserer mere end tekst	Indkodet i vægtene, når træningen understøtter det	Ikke indbygget
Mennesker, teams og deling
For hver person	IndbyggetHver person får sin egen private kontekst, sine præferencer og sin læring	Indbygget hukommelse pr. Agent og pr. Bruger	Muligt gennem app-tråde og læringscontainere	Tilgængelig med personligt omfang eller omfang pr. Arbejdsområde	Stærk hukommelse pr. Bruger eller pr. Aktør	Kræver som regel en separat trænet eller tilpasset model	Nøgler og budgetter pr. Bruger; personlig adfærd er ekstern
For hvert team	IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat	Delte hukommelsesrepositorier og færdigheder	Udgivne færdigheder spreder teamets læring	Delt hukommelse og færdigheder i arbejdsområdet	Tilgængelig gennem namespaces, grafer eller delte lagre	Kræver som regel delte træningsdata og en delt model	Konfiguration og budgetter pr. Team
På tværs af organisationen	IndbyggetDet, der virker, kan bevæge sig fra én person til teamet og organisationen, under dine regler	Færdigheder og hukommelse kan deles på tværs af organisationen	Gennemgåede færdigheder kan spredes på tværs af understøttede agenter	Lærdomme fra arbejdsområdet kan spredes på tværs af forbundne agenter	Delt organisationshukommelse er mulig	En tilpasset model kan indkode fælles adfærd for organisationen	Routing og guardrails på tværs af organisationen, uden læring fra udfald
Deling mellem mennesker, under kontrol	Du vælger, hvad der deles, og med hvem, og kan trække det tilbage; alt delt viser, hvem det kom fra	Delte repositorier og samarbejdstilladelser	Tilladelser til projekter og udrulninger	Adgangskontrol til arbejdsområdet	Leverandørspecifikke namespaces, IAM eller graftilladelser	Adgangskontrol til datasæt og modeller	Kontrol med nøgler, teams og roller
Beskyttelse af delt indhold	Det, nogen deler, ankommer som information, aldrig som instruktioner, så det ikke kan styre en anden persons agent	Afhænger af agentens kontekst og tilladelser	Udviklerpolitik og værktøjsbegrænsninger går forud for færdigheder	Afhænger af, hvordan færdigheder indlæses, og af tilliden til arbejdsområdet	Afhænger af appen og leverandøren	Træningsdata kræver deres egen kontrol før træning	Guardrails kan inspicere delte input, men tillid til, hvad de betyder, forbliver ekstern
Kontrol og tillid
Regler	Dine regler er en del af, hvordan Duplex fungerer: de tillader, afviser eller begrænser reelle handlinger	Instruktioner og tilladelser former agentens adfærd	Lærte færdigheder kan ikke tilsidesætte udviklerens sikkerhedsregler eller værktøjsbegrænsninger	Færdigheder vejleder agenten, men håndhæver intet på egen hånd	Kontekst kan informere adfærd, men autoriserer ikke handlinger	Adfærden formes af træning, ikke af regler i realtid	Stærke guardrails på input og output samt routingpolitikker
Regler anvendt før hver handling	IndbyggetHooks tjekker hver handling mod dine regler, før den kører	Afhænger af Lettas runtime, tilladelser og værktøjsværten	Ligger hos værtsappen og agentframeworket	Ligger hos værtsagenten	Hukommelsen leverer kontekst, men autoriserer ikke eksterne handlinger	Ekstern	Stærk for forespørgsler og svar, der går gennem gatewayen
Mennesker i processen	En person bekræfter de handlinger, du vælger, og det, Duplex lærer, kan gennemgås og fortrydes	Brugere kan inspicere og styre hukommelse og færdigheder	En grundig gennemgang, før lærte færdigheder udgives	Færdigheder kan inspiceres og redigeres før genbrug	Fastlagt af appen	Gennemgang af træningen, evaluering og godkendelse før udrulning	Godkendelsesforløb varierer fra gateway til gateway
En historik, du kan kontrollere	En historik over hver beslutning, hvor den kom fra, og hvad der kom ud af den, som ikke kan ændres i det stille	Vedvarende samtaler, hukommelse og agenttilstand	Indsigter underbygget af evidens og de forløb, de stammer fra	Færdigheder koblet til sessioner og lagrede spor	Historik, kildesporing og revisionskontroller varierer fra leverandør til leverandør	Træningsjob, datasæt, belønningsmålinger og modelversioner	Stærke logge over forespørgsler, svar, omkostninger og politik
Kvitteringer, du kan verificere	Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere	Versionerede minder og færdigheder	Links til evidens og præcise revisioner af færdigheder	Færdighedsfiler koblet til de sessioner, de stammer fra	Kildesporing varierer fra leverandør til leverandør	Modelevaluering og træningsrapporter	Logfiler og guardrail-resultater, ikke kvitteringer for det lærte
At fortryde det lærte, præcist	IndbyggetÉn lært ændring kan fortrydes præcist, uden at noget skal gentrænes	Færdigheder og minder kan redigeres eller rulles tilbage via versioner	Udgivne færdigheder kan revideres eller trækkes tilbage	Færdighedsfiler kan redigeres eller fjernes	Minder kan slettes, men den adfærd, der er bygget på dem, rulles ikke præcist tilbage	Rul en hel modelversion tilbage, eller gentræn uden eksemplet	Konfiguration og cacheposter kan fjernes; der er intet lært at rulle tilbage
Glemsel, der når alt, hvad der er bygget på det	At fjerne noget fjerner også det, der kom fra det: kontekst, alt delt fra det og relateret læring	Hukommelse og færdigheder ryddes op via filer og versioner	Betyder, at de berørte indsigter, færdigheder og afledte aktiver skal fjernes	Betyder, at de berørte sessioner og genererede færdigheder skal fjernes	Sletter som regel poster; afledte resuméer og kopier andre steder kræver særskilt håndtering	Kræver maskinel aflæring eller gentræning	Logge og caches følger deres egne opbevaringsregler
At holde kunder adskilt	Hver bruger, hvert team, hver organisation og hver kunde holdes adskilt, i hver integration og i alt, den deler	Tilladelser i cloud og ved selvhosting	Isolering pr. Projekt og udrulning	Hukommelse og færdigheder afgrænset til et arbejdsområde	Isolering efter bruger, aktør, namespace, graf eller IAM	Cloud-IAM og grænser for modeladgang	Moden isolering efter nøgle, team, budget og rolle
Hvor alt det lærte kom fra	For alt, den lærte, kan du se kilden, omfanget, og hvor langt man kan stole på det	Hukommelse og færdigheder forbliver til at inspicere	Indsigter og færdigheder forbliver koblet til de forløb, de kom fra	Færdigheder kan linke tilbage til de sessioner, de stammer fra	Stærk i produkter med temporale grafer; varierer andre steder	Datasættenes afstamning og træningsmetadata	Afstamning for forespørgsler og udbydere
Hvor den kører og forbinder
Enhver modeludbyder	Én intelligens på tværs af OpenAI, Anthropic, Google, AWS og kompatible modeller	Et agentmiljø, der virker med enhver model	Fungerer på tværs af understøttede agentframeworks og modeller	Fungerer på tværs af flere kodeagenter og deres modeller	Generelt uafhængig af modellen	Som regel bundet til den tilpassede model og træningsudbyderen	IndbyggetAbstraktion over udbydere er det, kategorien gør bedst
MCP	IndbyggetGennem MCP + hooks indgår Duplex i hvert trin, dine agenter tager	Hostet MCP lader andre agenter oprette Letta-agenter med tilstand og sende dem beskeder	Færdigheder kan nå agenter og MCP-servere via integrationer	Forbinder til de store kodeagenter; hvordan varierer fra klient til klient	Tilgængelig i flere produkter, herunder Supermemory og AgentCore	Ikke indbygget	I stigende grad indbygget
Hooks og plugins	IndbyggetPlugins til Claude, Codex, Cursor og Hermes og hooks, der henter Duplex ind ved hvert trin og tjekker følsomme værktøjshandlinger	Integration via SDK, CLI og agent-runtime	AG-UI og framework-adaptere	Automatisk opsamling af kodeagenters sessioner	Integrationer via SDK og MCP	Dataindsamling skal bygges separat	Integration via SDK og proxy, ikke hooks, der lærer af agentsessioner
Din cloud, eller selvhostet	Vareon cloud, din cloud eller ingen cloud: privat cloud, din egen konto, selvhostet eller air-gapped	Cloud og en selvhostet appserver	Cloudhostet og selvhostet intelligens	Lokal agentintegration; udrulningsmuligheder varierer	Leverandørspecifikt; der findes open source- og administrerede muligheder	Træning i cloud og hostet inferens	Hostede og selvhostede muligheder varierer fra gateway til gateway
Ingen cloud: air-gapped	Bygget til udrulninger, hvor intet må forlade stedet, med lokale modeller, lokale afhængigheder og din egen identitetsudbyder	Muligt med en selvhostet stak og lokale afhængigheder	Muligt med en selvhostet stak og lokale afhængigheder	Afhænger af den valgte udrulning og modeltjenesterne	Afhænger af platformen	Begrænset til tjenester, der understøtter offline træning og inferens	Tilgængelig med selvhostede gateways og lokale udbydere
Omkostning, hastighed og egnethed
Hvordan den sænker modelomkostningerne	Duplex besvarer selv velkendt arbejde uden gentagne kald til en frontiermodel	Bedre kontekst og færdigheder forbedrer resultaterne, men modellen kører stadig	Bedre færdigheder mindsker fejl og omarbejde, men modellen kører stadig	Bedre færdigheder mindsker gentagne fejl, men modellen kører stadig	Bedre kontekst mindsker gentagelser, men tilføjer genfinding og kalder stadig modellen	En mindre tilpasset model kan give den kvalitet, du har brug for	Caching, billigere modeller, batching og valg af udbyder
Hvordan den sænker latensen	Beslutninger, den er sikker på, kommer hurtigt tilbage; usikkert arbejde går stadig til din frontiermodel	Bedre organiseret kontekst kan mindske spildt ræsonnement	Færdigheder gør udførelsen mere direkte	Færdigheder forkorter gentagne opdagelser	Hurtigere genfinding og mindre kontekst	Afhænger af den tilpassede model	Caching, load balancing og valg af udbyder
Overlever en modelopgradering	JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model	JaHukommelse og færdigheder er bevidst uafhængige af modellen	JaFærdigheder og forløb forbliver uden for modellens vægte	JaFærdigheder overlever et skift af kodeagent eller model	JaLagret kontekst afhænger ikke af modellen	Tilpasningen hører til ét modelcheckpoint, så den følger ikke automatisk med	Routingkonfigurationen overlever, men ingen lært adfærd bevares
Kræver finjustering	NejFinjustering bliver et valgfrit ekstra trin	Nej	NejIkke for færdigheder; CLiF kan også producere finjusteringsdata	Nej	Nej	Ja	Nej
Bedst til	Organisationer, der har brug for, at deres AI-agenter lærer, handler inden for regler, fører arbejdet videre og bliver bedre på tværs af modeller, som ét system	Teams, der bygger vedvarende, selvforbedrende agenter op om hukommelse og færdigheder i token-rummet	Produktteams, der gør rigtige brugerarbejdsgange til gennemgåede færdigheder, evalueringer og træningsaktiver	Teams, der vil have kodeagenter til at dele sessioner og genbruge lærdomme automatisk	Apps, der primært har brug for varig, relevant bruger- eller forretningskontekst	Stabile opgaver i stor volumen, hvor selve modellen skal specialiseres	Teams, der primært har brug for abstraktion over udbydere, pålidelighed, guardrails og omkostningskontrol

Én lukket sløjfe.

I Duplex bliver kontekst, læring, færdigheder og dine regler til én sløjfe, der kører, mens arbejdet foregår.

Duplex forstår den aktuelle opgave og henter den kontekst frem, der betyder noget.

Hvorfor det er vigtigt.

En AI-model kan være intelligent uden nogensinde at blive erfaren i dit arbejde.

Et hukommelsessystem viser modellen, hvad der skete før, men det afgør ikke, hvad der bør ændres. Et færdighedssystem pakker en lærdom, men modellen skal stadig læse den og følge den. Finjustering ændrer modellen gennem en langsommere træningscyklus, der er svær at fortryde. En gateway styrer trafikken, men lærer ikke, hvilken beslutning der førte til det bedste udfald.

Duplex gør erfaring til forbedring, mens den arbejder, inden for dine regler.

Det opbygger en anden slags aktiv. Hver bekræftet rettelse, vellykket arbejdsgang, nyttigt værktøjsresultat og afsluttet opgave styrker intelligensen omkring din model, og intet af det er låst inde hos én modelleverandør.

Konklusionen.

HukommelseGiver en agent en fortid.
FærdighederGiver en agent genbrugelige instruktioner.
FinjusteringGiver en model andre vægte.
GatewaysGiver en AI-stak kontrol over trafikken.
DuplexGiver hele agentsystemet evnen til at føre erfaring videre, lære af resultater, handle inden for dine regler og blive bedre på tværs af modeller, over tid.

Blandt de gennemgåede produkter og kategorier er Duplex den eneste, der er bygget til at kombinere:

Kontekst på tværs af sessioner
Løbende læring fra udfald
Læring fra rettelser og belønninger
Æren til trinnene bag et resultat
At lære, hvordan handlinger flytter arbejdet, og forudsige, hvad der kommer derefter
Beslutninger, der ved, hvor sikre de er
Overdragelse til den rette model, det rette værktøj eller den rette person
Langt arbejde, der fortsætter
Læring for hver person, hvert team og hver organisation
Dine regler, anvendt før hver handling
Værktøjshandlinger inden for dine regler
Deling mellem mennesker, under kontrol
At fortryde det lærte, præcist
Glemsel, der når alt, hvad der er bygget på det
Hvor alt det lærte kom fra, med kvitteringer
MCP + hooks og plugins til de assistenter, du bruger
Kontinuitet på tværs af modeller og apps
Din cloud, selvhostet eller air-gapped
Færre modelkald, fordi velkendt arbejde besvares direkte

Duplex gør dine AI-systemer bedre til arbejdet med hver erfaring.

Kilderne.

De produktsider og den dokumentation, som denne sammenligning bygger på.

Sammenligningen er aktuel pr. 16. oktober 2026.

Se Duplex på dit eget arbejde.

Sammenlign, hvor det tæller: et pilotprojekt sætter Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.

Start et pilotprojekt →Mød Duplex

Hukommelse husker. Færdigheder nedfælder. Finjustering gentræner. Gateways router.
Duplex lukker sløjfen.

Hver løser én del.

Hukommelsesplatforme giver en agent en fortid: fakta, beskeder og episoder, hentet frem til det næste modelkald.

Færdighedslæring giver en agent genbrugelige instruktioner, hentet fra det arbejde, der gik godt.

Finjustering giver en model andre vægte, én træningskørsel ad gangen.

AI-gateways giver en AI-stak kontrol over trafikken: routing, genforsøg, guardrails og omkostninger.

Duplex lukker sløjfen: den fører kontekst videre, lærer af hver rettelse og hvert udfald, handler inden for dine regler og lader enhver model, du vælger, få gavn af det, den har lært.

Alle evner, side om side.

Én lukket sløjfe.

Duplex forstår den aktuelle opgave og henter den kontekst frem, der betyder noget.

Den ved, om sagen er velkendt, usikker eller dækket af en af dine regler.

Den afgør, om den selv handler, kalder en model, bruger et værktøj eller afviser.

Den lærer, hvad der skete, og om det virkede.

Den giver æren til de beslutninger og handlinger, der skabte resultatet.

Den ændrer, hvad den gør næste gang, uden at vente på en gentræningscyklus.

Den fører det, den har lært, videre på tværs af sessioner, apps, agenter og modeludbydere.

Den kan fortryde uønsket læring og vise præcis, hvad der ændrede sig.

Hvorfor det er vigtigt.

Konklusionen.

Kilderne.

Se Duplex på dit eget arbejde.

Hukommelse husker. Færdigheder nedfælder. Finjustering gentræner. Gateways router.Duplex lukker sløjfen.

Hver løser én del.

Hukommelsesplatforme giver en agent en fortid: fakta, beskeder og episoder, hentet frem til det næste modelkald.

Alle evner, side om side.

Én lukket sløjfe.

Duplex forstår den aktuelle opgave og henter den kontekst frem, der betyder noget.

Hvorfor det er vigtigt.

Konklusionen.

Kilderne.

Se Duplex på dit eget arbejde.

Hukommelse husker. Færdigheder nedfælder. Finjustering gentræner. Gateways router.
Duplex lukker sløjfen.