Duplex og Letta,
side om side.
Letta bygger agenter med tilstand op om vedvarende hukommelse og lærte færdigheder. Duplex er en anden intelligens ved siden af din AI: den lærer af hvert resultat og handler på det under kørsel, inden for dine regler, uanset hvilken model du bruger.
Sammenligningen er aktuel pr. 16. oktober 2026.
Alle evner: Duplex og Letta.
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 | Letta |
|---|---|---|
| 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 |
| Hvad den bringer videre | Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært | Agenthukommelse, samtaler, filer og færdigheder |
| 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 |
| 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 | ||
| Kontinuerlig læring uden gentræning | IndbyggetDen bliver ved med at lære, uden for din models vægte | IndbyggetToken-rums- og færdighedslæring |
| 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 |
| Læring fra rettelser | IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang | Rettelser kan opdatere hukommelsen eller indgå i lærte færdigheder |
| Læring fra udfald | IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer | Muligt gennem refleksion over forløb og agentstyrede opdateringer |
| Læring fra belønninger | IndbyggetEn belønning styrker det, der virkede, og retter det, der ikke gjorde | Belønninger er ikke dens vigtigste måde at lære på |
| 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 |
| Hvordan handlinger flytter arbejdet | IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste | Agenten kan udlede dette fra konteksten |
| 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 |
| Bedre valg af handling | IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang | Adfærden forbedres gennem hukommelse og færdigheder |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| At svare selv på velkendt arbejde | IndbyggetDen træffer selv velkendte beslutninger uden endnu et kald til en frontiermodel | Modellen fortolker stadig hukommelsen eller færdighederne |
| 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 |
| Planlægning, simulering og anbefalinger | IndbyggetDen forudsiger, hvad der sker derefter, afprøver alternativer, bygger planer og anbefaler handlinger | Primært gennem modellens ræsonnement og agentens værktøjer |
| 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 |
| 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 |
| Værktøjshandlinger inden for dine regler | Værktøjer kører kun gennem dine regler og tilladelser | Agenttilladelser og værktøjskonfiguration |
| Streaming | Den streamer output fra model og værktøjer, med hvert trin stadig inden for dine regler | Tilgængelig gennem agent- og modelgrænseflader |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| At holde konteksten kompakt | Konteksten forbliver kompakt, fokuseret på de regler, opgaver og beslutninger, der betyder noget | Organisering af hukommelse, resuméer og filbaseret kontekststyring |
| 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 |
| 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 |
| 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 |
| For hvert team | IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat | Delte hukommelsesrepositorier og færdigheder |
| 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 |
| 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 |
| 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 |
| 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 |
| Regler anvendt før hver handling | IndbyggetHooks tjekker hver handling mod dine regler, før den kører | Afhænger af Lettas runtime, tilladelser og værktøjsværten |
| 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 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 |
| Kvitteringer, du kan verificere | Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere | Versionerede minder og færdigheder |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 kontekst og færdigheder forbedrer resultaterne, men modellen kører stadig |
| 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 |
| Overlever en modelopgradering | JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model | JaHukommelse og færdigheder er bevidst uafhængige af modellen |
| 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 bygger vedvarende, selvforbedrende agenter op om hukommelse og færdigheder i token-rummet |
De andre sammenligninger.
- 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
- 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.