Duplex og AI-gateways,
side om side.
Portkey, LiteLLM og lignende gateways router trafik, anvender guardrails og styrer udbydere. Duplex lærer, hvilke beslutninger der virker, og handler på dem inden for dine regler, ved hvert trin af arbejdet.
Sammenligningen er aktuel pr. 16. oktober 2026.
Alle evner: Duplex og AI-gateways.
Hvad hver enkelt gør, gruppe for gruppe, fra hvad den er, til hvad den koster.
- 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.
| Evne | Duplex | 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 | Modelrouting, pålidelighed, guardrails og observerbarhed |
| Hvad den bringer videre | Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært | Konfiguration, logge, routingpolitikker og caches |
| Hvad der bliver bedre med erfaring | Dens næste beslutninger: konfidens, routing, anbefalinger, værktøjsbrug og genbrugelig viden | 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 | Operationel kontrol uden løbende læring |
| Læring | ||
| Kontinuerlig læring uden gentræning | IndbyggetDen bliver ved med at lære, uden for din models vægte | Ikke indbygget |
| Tilpasning tur for tur | IndbyggetHvert nyt resultat kan ændre den næste beslutning med det samme | Routingen ændres med det samme, men ikke ud fra lærte udfald |
| Læring fra rettelser | IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang | Logges som regel; læring fra dem er ekstern |
| Læring fra udfald | IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer | 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 | Ikke indbygget |
| Æren til trinnene bag et resultat | IndbyggetDen finder ud af, hvilke tidligere handlinger der førte til et senere resultat | Ikke indbygget |
| Hvordan handlinger flytter arbejdet | IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste | 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 | Ikke indbygget |
| Bedre valg af handling | IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | IndbyggetStærk streaming |
| Arbejde, der fortsætter | ||
| Læring fra hvert trin, automatisk | Hvert trin, gennem MCP + hooks eller plugins, indgår i én fælles læringssløjfe | 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 | 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 | Ikke indbygget |
| På tværs af modeller | IndbyggetDet, den lærer, og din kontekst forbliver uden for modellen og følger arbejdet på tværs af udbydere | 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 | 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 | 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 | 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 | 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 | Ikke indbygget |
| Mennesker, teams og deling | ||
| For hver person | IndbyggetHver person får sin egen private kontekst, sine præferencer og sin læring | Nøgler og budgetter pr. Bruger; personlig adfærd er ekstern |
| For hvert team | IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat | 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 | 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 | 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 | 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 | Stærke guardrails på input og output samt routingpolitikker |
| Regler anvendt før hver handling | IndbyggetHooks tjekker hver handling mod dine regler, før den kører | 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 | 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 | Stærke logge over forespørgsler, svar, omkostninger og politik |
| Kvitteringer, du kan verificere | Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere | 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 | 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 | 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 | 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 | Afstamning for forespørgsler og udbydere |
| Hvor den kører og forbinder | ||
| Enhver modeludbyder | Én intelligens på tværs af OpenAI, Anthropic, Google, AWS og kompatible modeller | IndbyggetAbstraktion over udbydere er det, kategorien gør bedst |
| MCP | IndbyggetGennem MCP + hooks indgår Duplex i hvert trin, dine agenter tager | 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 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 | 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 | 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 | 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 | Caching, load balancing og valg af udbyder |
| Overlever en modelopgradering | JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model | Routingkonfigurationen overlever, men ingen lært adfærd bevares |
| Kræver finjustering | NejFinjustering bliver et valgfrit ekstra trin | 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 primært har brug for abstraktion over udbydere, pålidelighed, guardrails og omkostningskontrol |
De andre sammenligninger.
- Duplex og LettaAgenter med tilstand, hukommelse og færdigheder
- Duplex og CopilotKit CLiFRigtige arbejdsgange, gjort til færdigheder
- Duplex og Deeplake HivemindDelt hukommelse til kodeagenter
- Duplex og hukommelsesplatformeMem0, Zep, AgentCore Memory, Supermemory
- Duplex og finjusteringFinjustering og forstærkningsbaseret finjustering
- Den fulde sammenligningDuplex ved siden af alle seks, side om side
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.