Duplex og CopilotKit CLiF,
side om side.
CopilotKit CLiF gør rigtige brugerarbejdsgange til gennemgåede færdigheder, evalueringer og træningsdata. Duplex lærer af hvert resultat, mens arbejdet foregår, og handler på det, den har lært, inden for dine regler.
Sammenligningen er aktuel pr. 16. oktober 2026.
Alle evner: Duplex og CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 full-stack-pipeline, der gør forløb til færdigheder, evalueringer og træningsdata |
| Hvad den bringer videre | Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært | Tråde, forløb, indsigter, færdigheder og evalueringer |
| Hvad der bliver bedre med erfaring | Dens næste beslutninger: konfidens, routing, anbefalinger, værktøjsbrug og genbrugelig viden | Agentens instruktioner, gennem gennemgåede færdigheder hentet fra rigtige arbejdsgange |
| At vide, hvad der skete, og lære af det | IndbyggetDen ved, hvad der skete, og lærer, hvad der skal ændres næste gang | Læring genereres ud fra lagrede forløb |
| Læring | ||
| Kontinuerlig læring uden gentræning | IndbyggetDen bliver ved med at lære, uden for din models vægte | IndbyggetFærdighedslæring; finjusteringsdata er valgfrie |
| Tilpasning tur for tur | IndbyggetHvert nyt resultat kan ændre den næste beslutning med det samme | Analysen køres manuelt eller efter en tidsplan |
| Læring fra rettelser | IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang | Brugerændringer og handlinger i appen indgår i dens læring |
| Læring fra udfald | IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer | Udfald på tværs af stakken bliver til indsigter, færdigheder, evalueringer og træningsdata |
| Læring fra belønninger | IndbyggetEn belønning styrker det, der virkede, og retter det, der ikke gjorde | Kan producere finjusteringsdata ud fra evaluerede forløb |
| Æren til trinnene bag et resultat | IndbyggetDen finder ud af, hvilke tidligere handlinger der førte til et senere resultat | Analyse af forløb kan bringe nyttige mønstre i arbejdsgange frem |
| Hvordan handlinger flytter arbejdet | IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste | Kan gøre arbejdsgange til færdigheder |
| At forudsige, hvad en handling vil gøre | IndbyggetUd fra det, den observerer, forudsiger den, hvad en handling vil gøre, afprøver alternativer og planlægger | EksternOverladt til agentframeworket |
| Bedre valg af handling | IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang | Gennemgåede færdigheder forbedrer agentens næste instruktioner |
| Genbrugelige færdigheder | IndbyggetErfaring bliver til færdigheder, der testes før brug, og som kan sættes på pause, hentes tilbage eller trækkes tilbage | IndbyggetForløb bliver til gennemgåede færdigheder, underbygget af evidens |
| 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 | Udgives efter menneskelig gennemgang og leveres i en fastlåst version |
| 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 fanger mønstre på tværs af mange produktionsforløb |
| At beslutte og handle | ||
| At vide, hvor sikker den er | IndbyggetFør hver beslutning ved den, hvor velkendt sagen er, og hvor sikker den er | Drevet af evaluering, ikke et løbende mål for vished |
| Svar, overdrag eller afvis | IndbyggetDuplex svarer selv, kalder din model, bruger et værktøj eller afviser, inden for dine regler | EksternVærtsagenten afgør, hvordan der skal handles |
| At svare selv på velkendt arbejde | IndbyggetDen træffer selv velkendte beslutninger uden endnu et kald til en frontiermodel | Modellen læser stadig den lærte færdighed |
| 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 | EksternVærtsagentens opgave |
| Planlægning, simulering og anbefalinger | IndbyggetDen forudsiger, hvad der sker derefter, afprøver alternativer, bygger planer og anbefaler handlinger | EksternVærtsagentens opgave |
| 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 | Fungerer på tværs af understøttede agentframeworks |
| At lære, hvilke værktøjer der virker | Den lærer, hvilke værktøjer der virker, hvornår de skal bruges, og hvad hvert enkelt fører til | Full-stack-forløb fanger værktøjs- og brugerhandlinger til nye færdigheder |
| Værktøjshandlinger inden for dine regler | Værktøjer kører kun gennem dine regler og tilladelser | Styres af værtens agentframework |
| Streaming | Den streamer output fra model og værktøjer, med hvert trin stadig inden for dine regler | Tilgængelig gennem understøttede agentframeworks |
| Arbejde, der fortsætter | ||
| Læring fra hvert trin, automatisk | Hvert trin, gennem MCP + hooks eller plugins, indgår i én fælles læringssløjfe | AG-UI fanger agent- og brugerhandlinger som full-stack-forløb |
| Kontekst på tværs af sessioner | IndbyggetArbejde, beslutninger, opgaver og den kontekst, der betyder noget, fortsætter på tværs af sessioner | Varige tråde bevarer interaktionerne i appen |
| 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 | Varige tråde bevarer historikken over interaktioner |
| På tværs af modeller | IndbyggetDet, den lærer, og din kontekst forbliver uden for modellen og følger arbejdet på tværs af udbydere | Stærk: færdigheder kan leveres på tværs af understøttede agentstakke |
| På tværs af apps og agenter | Det samme arbejde fortsætter på tværs af Claude, Codex, Cursor, Hermes og dine egne agenter | Færdigheder kan leveres via understøttede framework-adaptere |
| 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 forløb og udgivne færdigheder holder adfærden ensartet |
| At holde konteksten kompakt | Konteksten forbliver kompakt, fokuseret på de regler, opgaver og beslutninger, der betyder noget | Forløb destilleres til indsigter og færdigheder |
| Læring fra billeder, lyd, video og PDF’er | Den lærer af billeder, lyd, video og PDF’er, ligesom den gør af tekst | Afhænger af de opfangede app-hændelser og agentstakken |
| 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 | Uden for CLiFs hovedfokus |
| Mennesker, teams og deling | ||
| For hver person | IndbyggetHver person får sin egen private kontekst, sine præferencer og sin læring | Muligt gennem app-tråde og læringscontainere |
| For hvert team | IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat | Udgivne færdigheder spreder teamets læring |
| På tværs af organisationen | IndbyggetDet, der virker, kan bevæge sig fra én person til teamet og organisationen, under dine regler | Gennemgåede færdigheder kan spredes på tværs af understøttede agenter |
| 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 | Tilladelser til projekter og udrulninger |
| Beskyttelse af delt indhold | Det, nogen deler, ankommer som information, aldrig som instruktioner, så det ikke kan styre en anden persons agent | Udviklerpolitik og værktøjsbegrænsninger går forud for færdigheder |
| Kontrol og tillid | ||
| Regler | Dine regler er en del af, hvordan Duplex fungerer: de tillader, afviser eller begrænser reelle handlinger | Lærte færdigheder kan ikke tilsidesætte udviklerens sikkerhedsregler eller værktøjsbegrænsninger |
| Regler anvendt før hver handling | IndbyggetHooks tjekker hver handling mod dine regler, før den kører | Ligger hos værtsappen og agentframeworket |
| Mennesker i processen | En person bekræfter de handlinger, du vælger, og det, Duplex lærer, kan gennemgås og fortrydes | En grundig gennemgang, før lærte færdigheder udgives |
| 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 | Indsigter underbygget af evidens og de forløb, de stammer fra |
| Kvitteringer, du kan verificere | Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere | Links til evidens og præcise revisioner af færdigheder |
| At fortryde det lærte, præcist | IndbyggetÉn lært ændring kan fortrydes præcist, uden at noget skal gentrænes | Udgivne færdigheder kan revideres eller trækkes 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 | Betyder, at de berørte indsigter, færdigheder og afledte aktiver skal fjernes |
| At holde kunder adskilt | Hver bruger, hvert team, hver organisation og hver kunde holdes adskilt, i hver integration og i alt, den deler | Isolering pr. Projekt og udrulning |
| Hvor alt det lærte kom fra | For alt, den lærte, kan du se kilden, omfanget, og hvor langt man kan stole på det | Indsigter og færdigheder forbliver koblet til de forløb, de kom fra |
| Hvor den kører og forbinder | ||
| Enhver modeludbyder | Én intelligens på tværs af OpenAI, Anthropic, Google, AWS og kompatible modeller | Fungerer på tværs af understøttede agentframeworks og modeller |
| MCP | IndbyggetGennem MCP + hooks indgår Duplex i hvert trin, dine agenter tager | Færdigheder kan nå agenter og MCP-servere via integrationer |
| Hooks og plugins | IndbyggetPlugins til Claude, Codex, Cursor og Hermes og hooks, der henter Duplex ind ved hvert trin og tjekker følsomme værktøjshandlinger | AG-UI og framework-adaptere |
| Din cloud, eller selvhostet | Vareon cloud, din cloud eller ingen cloud: privat cloud, din egen konto, selvhostet eller air-gapped | Cloudhostet og selvhostet intelligens |
| 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 |
| Omkostning, hastighed og egnethed | ||
| Hvordan den sænker modelomkostningerne | Duplex besvarer selv velkendt arbejde uden gentagne kald til en frontiermodel | Bedre færdigheder mindsker fejl og omarbejde, men modellen kører stadig |
| Hvordan den sænker latensen | Beslutninger, den er sikker på, kommer hurtigt tilbage; usikkert arbejde går stadig til din frontiermodel | Færdigheder gør udførelsen mere direkte |
| Overlever en modelopgradering | JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model | JaFærdigheder og forløb forbliver uden for modellens vægte |
| Kræver finjustering | NejFinjustering bliver et valgfrit ekstra trin | NejIkke for færdigheder; CLiF kan også producere finjusteringsdata |
| 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 | Produktteams, der gør rigtige brugerarbejdsgange til gennemgåede færdigheder, evalueringer og træningsaktiver |
De andre sammenligninger.
- Duplex og LettaAgenter med tilstand, hukommelse og færdigheder
- Duplex og Deeplake HivemindDelt hukommelse til kodeagenter
- Duplex og hukommelsesplatformeMem0, Zep, AgentCore Memory, Supermemory
- Duplex og finjusteringFinjustering og forstærkningsbaseret finjustering
- Duplex og AI-gatewaysPortkey, LiteLLM og lignende
- 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.