Gedächtnis erinnert sich. Skills kodieren. Fine-Tuning trainiert neu. Gateways routen.
Duplex schließt den Kreis.

Die meiste KI-Infrastruktur löst einen Teil der Arbeit. Duplex vereint alle Teile in einer Laufzeit-Intelligenz, die beim Arbeiten immer besser wird.

Vergleich auf dem Stand vom 16. Oktober 2026.

Alle Fähigkeiten ansehen →Pilotprojekt starten

Jedes löst einen Teil.

Gedächtnisplattformen bewahren Informationen. Skill-Lernen macht aus Erfahrung Anweisungen. Fine-Tuning ändert Modellgewichte. KI-Gateways routen Anfragen und setzen Leitplanken. Duplex vereint all das und wird immer besser.

Gedächtnisplattformen geben Agenten eine Vergangenheit: Fakten, Nachrichten und Episoden, abgerufen zum nächsten Modellaufruf.

Alle Fähigkeiten, nebeneinander.

Wähle eines, um es neben Duplex zu stellen, oder sieh alle auf einmal.

Nativ: Fest in die grundlegende Funktionsweise des Produkts eingebaut.
Extern: Du stellst es separat bereit oder baust es selbst zusammen.
Nicht nativ: Die Dokumentation des Produkts führt es nicht als eingebaute Funktion. Eine eigene Lösung kann trotzdem möglich sein.

Neben Duplex stellen:

Fähigkeit	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	GedächtnisplattformenMem0, Zep, AgentCore Memory und Supermemory	Fine-Tuning und RFT	KI-GatewaysPortkey, LiteLLM und ähnliche
Was sie jeweils sind
Was es ist	Eine Laufzeit-Intelligenz neben deiner KI: Sie lernt und handelt für deine Agenten und Assistenten, im Rahmen deiner Regeln	Eine zustandsbehaftete Agentenplattform, aufgebaut um persistentes Gedächtnis und Lernen im Token-Raum	Eine Full-Stack-Pipeline, die Trajektorien in Skills, Evaluationen und Trainingsdaten verwandelt	Gemeinsames Agentengedächtnis, das Traces automatisch in Skills verwandelt	Persistenter Kontext, Fakten, Episoden und Wissensgraphen	Ein Modell durch Training anpassen	Modell-Routing, Zuverlässigkeit, Leitplanken und Observability
Was es weiterträgt	Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat	Agentengedächtnis, Gespräche, Dateien und Skills	Threads, Trajektorien, Einsichten, Skills und Evaluationen	Sitzungen, Erinnerungen und Skills, auf einen Arbeitsbereich begrenzt	Fakten, Nachrichten, Zusammenfassungen, Episoden und Graph-Beziehungen	Ein neuer Satz Modellgewichte	Konfiguration, Logs, Routing-Richtlinien und Caches
Was mit Erfahrung besser wird	Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen	Das künftige Verhalten des Agenten, durch aktualisiertes Gedächtnis und gelernte Skills	Die Anweisungen des Agenten, durch geprüfte Skills aus echten Workflows	Das Verhalten in der nächsten Sitzung, durch destillierte Skills	Vor allem der Kontext für den nächsten Modellaufruf	Die Antworten des zugrunde liegenden Modells	Routing und Zuverlässigkeit von Anfragen, nicht das, was der Agent gelernt hat
Wissen, was geschah, und daraus lernen	NativEs weiß, was geschah, und lernt, was als Nächstes zu ändern ist	Beides ist vorhanden, vor allem über Gedächtnis im Token-Raum und Skills	Lernen entsteht aus gespeicherten Trajektorien	Gemeinsames Gedächtnis wird zu wiederverwendbaren Skills	Vor allem Gedächtnis; wie weit es lernt, hängt vom Anbieter ab	Lernen ohne dauerhaftes operatives Gedächtnis	Operative Kontrolle ohne kontinuierliches Lernen
Lernen
Kontinuierliches Lernen ohne Neutraining	NativEs lernt weiter, außerhalb der Gewichte deines Modells	NativLernen im Token-Raum und Skill-Lernen	NativSkill-Lernen; Fine-Tuning-Daten sind optional	NativSkills aus Traces lernen	Verbesserung durch Kontext; wie tief sie geht, hängt von der Plattform ab	NeinEs lernt durch Training	Nicht nativ
Anpassung von Runde zu Runde	NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern	Vom Agenten verwaltetes Gedächtnis kann sich laufend ändern; Skill-Lernen folgt auf abgeschlossene Erfahrung	Die Analyse läuft von Hand oder nach Zeitplan	Skills werden im Hintergrund oder am Ende einer Sitzung destilliert	Erinnerungen lassen sich laufend hinzufügen, aber sie abzurufen ist keine Anpassung	Wartet, bis ein Trainingsjob fertig und das neue Modell bereitgestellt ist	Das Routing ändert sich sofort, aber nicht aus gelernten Ergebnissen
Lernen aus Korrekturen	NativEine Korrektur ändert, was Duplex als Nächstes tut	Korrekturen können das Gedächtnis aktualisieren oder in gelernte Skills einfließen	Änderungen von Nutzern und Aktionen in der App fließen in sein Lernen ein	Korrekturen und Sitzungs-Traces können zu Skills werden	Korrekturen lassen sich speichern und als Kontext abrufen	Korrekturen müssen in einen Trainingsdatensatz oder eine Belohnungs-Pipeline fließen	Meist protokolliert; das Lernen daraus ist extern
Lernen aus Ergebnissen	NativErfolg und Misserfolg fließen direkt in das ein, was es lernt	Möglich durch Reflexion über Trajektorien und vom Agenten verwaltete Updates	Ergebnisse aus dem ganzen Stack werden zu Einsichten, Skills, Evaluationen und Trainingsdaten	Neue Skills entstehen aus abgeschlossenen Sitzungen	Episoden lassen sich abrufen, aber Lernen aus Ergebnissen ist meist extern	NativWenn sich Ergebnisse in Belohnungen umwandeln lassen	Ergebnisse erscheinen in der Telemetrie; das Lernen daraus ist extern
Lernen aus Belohnungen	NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat	Belohnungen sind nicht seine wichtigste Art zu lernen	Kann aus bewerteten Trajektorien Fine-Tuning-Daten erzeugen	Belohnungen sind nicht seine wichtigste Art zu lernen	Belohnungen sind keine übliche Gedächtnisfunktion	NativBelohnungen optimieren die Gewichte des Modells	Nicht nativ
Verdienst für die Schritte hinter einem Ergebnis	NativEs ermittelt, welche früheren Aktionen zu einem späteren Ergebnis geführt haben	Letta bietet das zur Laufzeit nicht nativ an	Die Analyse von Trajektorien kann nützliche Workflow-Muster aufdecken	Die Analyse von Traces kann wiederverwendbare Abläufe finden	Nicht nativ	Kann Korrelationen aus Trainingsbeispielen lernen, aber ein Live-Ergebnis nicht auf seine Schritte zurückführen	Nicht nativ
Wie Aktionen die Arbeit voranbringen	NativEs lernt, wie jede Aktion die Arbeit von einem Zustand in den nächsten bringt	Der Agent kann das aus dem Kontext ableiten	Kann Workflows in Skills verwandeln	Kann erfolgreiche Abläufe als Skills festhalten	Gespeicherte Episoden können als Beispiele dienen	Kann diese Muster im Training aufnehmen	Nicht nativ
Vorhersagen, was eine Aktion bewirkt	NativAus dem, was es beobachtet, sagt es voraus, was eine Aktion bewirkt, probiert Alternativen und plant	Das Modell zieht Schlüsse aus dem Gedächtnis	ExternDem Agenten-Framework überlassen	Nicht nativ	Nicht nativ	Implizit im trainierten Modell, wo du es nicht bearbeiten kannst	Nicht nativ
Bessere Wahl der Aktionen	NativErgebnisse verbessern, welche Aktion es als Nächstes wählt	Das Verhalten verbessert sich durch Gedächtnis und Skills	Geprüfte Skills verbessern die nächsten Anweisungen des Agenten	Destillierte Skills verbessern die nächsten Abläufe	Abgerufener Kontext kann das Verhalten indirekt prägen	NativDurch Optimierung des Modells	Routing-Richtlinien werden konfiguriert, nicht aus Ergebnissen gelernt
Wiederverwendbare Fertigkeiten	NativErfahrung wird zu Skills, die vor dem Einsatz getestet werden und sich pausieren, zurückholen oder zurückziehen lassen	NativTrajektorien können zu dauerhaften Skills werden, die mit jedem Modell funktionieren	NativTrajektorien werden zu geprüften Skills, gestützt durch Belege	NativSitzungen werden zu skill.md-Dateien für den Arbeitsbereich	Hängt vom Anbieter ab; meist nicht das, worum die Kategorie gebaut ist	Wissen geht in die Gewichte ein, statt als übertragbare Skills verpackt zu werden	Nicht nativ
Skills testen und verwalten	Ein Skill wird getestet, bevor man sich auf ihn verlässt, und lässt sich pausieren, zurückholen, zurückziehen oder endgültig entfernen	Skills sind Dateien, die du einsehen, verwalten und versionieren kannst	Nach menschlicher Prüfung veröffentlicht, in einer gepinnten Version ausgeliefert	Skills bleiben Dateien, die du einsehen und bearbeiten kannst, verknüpft mit den Sitzungen, aus denen sie stammen	Meist ein Lebenszyklus pro Eintrag, nicht pro Skill	Evaluation findet rund um Training und Bereitstellung statt	Konfigurationsversionen, kein Lebenszyklus für gelernte Skills
Verallgemeinern auf verwandte Fälle	Es überträgt, was es gelernt hat, auf verwandte Fälle und neue Formulierungen und in Skills, die es wiederverwenden kann	Skills im Token-Raum verallgemeinern Abläufe über Aufgaben hinweg	Skills erfassen Muster aus vielen Trajektorien im Produktivbetrieb	Skills erfassen Muster, die über Sitzungen hinweg wiederkehren	Semantisches Retrieval findet verwandte Informationen, was nicht dasselbe ist, wie Verhalten zu verallgemeinern	Verallgemeinert über die trainierten Gewichte	Semantische Caches erkennen ähnliche Anfragen, lernen aber nicht, wie zu handeln ist
Entscheiden und Handeln
Wissen, wie sicher es ist	NativVor jeder Entscheidung weiß es, wie bekannt der Fall ist und wie sicher es ist	Vor allem das Urteil des Modells und wie relevant das Gedächtnis ist	Von Evaluation getrieben, kein laufendes Maß für Gewissheit	Wie relevant Retrieval und Skills sind, kein Maß für Gewissheit	Retrieval-Scores und Relevanzsignale	Die Konfidenz des Modells muss separat gemessen werden	Zustand der Anbieter, Routing und Leitplanken-Scores, keine Gewissheit über die Aufgabe
Antworten, übergeben oder ablehnen	NativDuplex antwortet selbst, ruft dein Modell auf, nutzt ein Werkzeug oder lehnt ab, im Rahmen deiner Regeln	Der Agent macht meist über das Reasoning des Modells weiter	ExternDer Host-Agent entscheidet, wie gehandelt wird	ExternDer Host-Agent entscheidet, wie gehandelt wird	ExternDie Host-Anwendung entscheidet, wie gehandelt wird	Das trainierte Modell läuft weiterhin bei jeder Anfrage	Routen, wiederholen, blockieren oder ausweichen, ohne aus Ergebnissen zu lernen
Bekannte Arbeit selbst beantworten	NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells	Das Modell interpretiert weiterhin Gedächtnis oder Skills	Das Modell liest weiterhin den gelernten Skill	Das Modell liest weiterhin den gelernten Skill	Das Modell liest normalerweise den abgerufenen Kontext	Das angepasste Modell läuft weiterhin	Ein Cache kann einen Modellaufruf sparen, aber ein Cache lernt nicht aus Ergebnissen
Übergeben, was neu oder unsicher ist	Neue, unsichere oder sensible Arbeit geht an das richtige Modell, das richtige Werkzeug oder die richtige Person	Agent und Modell entscheiden, wann mehr Hilfe nötig ist	ExternAufgabe des Host-Agenten	ExternAufgabe des Host-Agenten	ExternAufgabe der Anwendung	ExternAufgabe der Anwendung	Starkes Routing und Fallback zwischen Anbietern; Gewissheit über die Aufgabe bleibt extern
Planung, Simulation und Empfehlungen	NativEs sagt voraus, was als Nächstes passiert, probiert Alternativen, erstellt Pläne und empfiehlt Aktionen	Vor allem über das Reasoning des Modells und Agenten-Werkzeuge	ExternAufgabe des Host-Agenten	ExternAufgabe des Host-Agenten	Das Gedächtnis liefert Kontext; die Planung bleibt extern	Das Modell plant vielleicht besser, aber der Stand der Arbeit bleibt extern	Nicht nativ
Viele Agenten, die zusammenarbeiten	Es schickt Arbeit an den richtigen Agenten, teilt sie im Rahmen deiner Regeln auf, hält jeden Agenten in seinem Bereich und führt die Ergebnisse zusammen	Agenten, Subagenten und gemeinsames Gedächtnis sind verfügbar	Funktioniert über unterstützte Agenten-Frameworks hinweg	Teilt Erkenntnisse zwischen verbundenen Agenten	Gemeinsames Gedächtnis kann mehreren Agenten dienen	Nicht nativ	Manche routen zu Agenten und MCP-Werkzeugen, lernen aber nicht, welche Zusammenarbeit funktioniert hat
Lernen, welche Werkzeuge funktionieren	Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt	Skills und Gedächtnis können die Werkzeugnutzung verbessern	Full-Stack-Trajektorien erfassen Werkzeug- und Nutzeraktionen für neue Skills	Werkzeug-Traces können zu wiederverwendbaren Abläufen werden	Werkzeugergebnisse lassen sich merken	Das Werkzeugverhalten kann sich durch Training verbessern	Sie stellen Werkzeuge bereit und routen sie, lernen aber meist nicht aus deren Ergebnissen
Werkzeugaktionen im Rahmen deiner Regeln	Werkzeuge laufen nur über deine Regeln und Rechte	Agentenrechte und Werkzeugkonfiguration	Gesteuert vom Host-Agenten-Framework	Gesteuert vom Host-Coding-Agenten	ExternBei reinen Gedächtnissystemen der Anwendung überlassen	Extern	Starkes Routing und Leitplanken; die Kontrolle von Agentenaktionen hängt von der Integration ab
Streaming	Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln	Verfügbar über Agenten- und Modellschnittstellen	Verfügbar über unterstützte Agenten-Frameworks	Hängt vom Host-Agenten ab	Hängt vom Anbieter ab	Hängt vom Modellanbieter ab	NativStarkes Streaming
Arbeit, die weitergeht
Lernen aus jedem Schritt, automatisch	Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf	Die Letta-Runtime speichert Gespräche und Aktionen von Agenten	AG-UI erfasst Agenten- und Nutzeraktionen als Full-Stack-Trajektorien	Agentensitzungen und Werkzeugaktivität werden automatisch erfasst	SDK- oder Harness-Integrationen erfassen Nachrichten und Ereignisse	Logs oder Datensätze müssen fürs Training geliefert werden	Anfragen, Antworten, Kosten und Latenz werden protokolliert
Kontext über Sitzungen hinweg	NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter	NativPersistente Agenten behalten ihr Gedächtnis über Gespräche hinweg	Dauerhafte Threads behalten App-Interaktionen	NativGemeinsames Gedächtnis überdauert Agentensitzungen	NativGenau darum herum ist die Kategorie gebaut	Nicht nativ	ExternIn der Regel
Lang laufende Arbeit	NativLange Arbeit bleibt über Sitzungen und Agenten hinweg offen, mit Sicherungspunkten zum Zurückkehren, bis sie erledigt oder vergessen ist	Persistente Agenten können Arbeit fortführen, ihren Lebenszyklus bestimmen Agent und App	Dauerhafte Threads behalten den Verlauf der Interaktionen	Das Sitzungsgedächtnis hilft, Arbeit wieder aufzunehmen	Kontext lässt sich abrufen, aber die Verwaltung des Aufgabenstands ist extern	Nicht nativ	Nicht nativ
Über Modelle hinweg	NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg	Stark: Gedächtnis im Token-Raum und Skills können einen Modellwechsel überstehen	Stark: Skills lassen sich über unterstützte Agenten-Stacks hinweg ausliefern	Stark: Skills und Gedächtnis lassen sich von verschiedenen Coding-Agenten wiederverwenden	Meist stark, weil das Gedächtnis nicht vom Modell abhängt	Schwach: Ein neues Basismodell braucht meist Neutraining oder eine neue Validierung	Stark beim Routing, aber nichts Gelerntes wird übernommen
Über Apps und Agenten hinweg	Dieselbe Arbeit geht über Claude, Codex, Cursor, Hermes und deine eigenen Agenten hinweg weiter	Zustandsbehaftete Agenten sind über SDKs und gehostetes MCP erreichbar	Skills lassen sich über unterstützte Framework-Adapter ausliefern	Gemeinsames Gedächtnis verbindet Claude Code, Codex, Cursor und andere Agenten	Möglich, wenn Apps dieselbe Gedächtnis-Identität teilen	Nicht nativ	Anfragen können sich ein Gateway teilen, aber was jede App weiß, bleibt extern
Arbeit an einen anderen Agenten übergeben	Eine Aufgabe und ihr Kontext gehen an einen anderen Agenten, den du zulässt, bereit zum Weitermachen	Gemeinsame Agenten und Repositorys können eine Übergabe unterstützen	Gemeinsame Trajektorien und veröffentlichte Skills halten das Verhalten einheitlich	Skills im Arbeitsbereich geben Erkenntnisse zwischen Agenten weiter	Ein anderer berechtigter Agent kann den gemeinsamen Kontext abrufen	Nicht nativ	Agenten- und MCP-Routing kann verfügbar sein; was die Aufgabe bedeutet, bleibt extern
Kontext kompakt halten	Der Kontext bleibt kompakt, konzentriert auf die Regeln, Aufgaben und Entscheidungen, auf die es ankommt	Organisation des Gedächtnisses, Zusammenfassungen und Kontextverwaltung wie in Dateien	Trajektorien werden zu Einsichten und Skills destilliert	Sitzungen werden zu kompakten Skills destilliert	Zusammenfassungen, extrahierte Erinnerungen und episodische Einträge	Nicht nativ	Kürzen von Prompts oder Caching, keine dauerhafte Zusammenfassung dessen, was zählt
Lernen aus Bildern, Audio, Video und PDFs	Es lernt aus Bildern, Audio, Video und PDFs, so wie aus Text	Hängt vom angebundenen Modell und den Agenten-Werkzeugen ab	Hängt von den erfassten App-Ereignissen und dem Agenten-Stack ab	Vor allem auf Sitzungen und Werkzeug-Traces konzentriert	Hängt von Anbieter und Modell ab	Unterstützt, wenn Modell und Trainingsdienst das Medium akzeptieren	Reicht unterstützte Medien vor allem an die Anbieter durch
Über Medien hinweg	Eine Frage in Worten kann auf das zurückgreifen, was aus Bildern, Audio und Video gelernt wurde, und Medien können spätere Entscheidungen prägen	Hängt vom Modell ab und davon, wie das Gedächtnis gebaut ist	Außerhalb des Hauptfokus von CLiF	Außerhalb des Hauptfokus von Hivemind	Verfügbar in Produkten, die mehr als Text indexieren	In Gewichte kodiert, wenn das Training es unterstützt	Nicht nativ
Personen, Teams und Teilen
Für jede Person	NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen	Natives Gedächtnis pro Agent und pro Nutzer	Möglich über App-Threads und Lerncontainer	Verfügbar auf persönlicher Ebene oder für den Arbeitsbereich	Starkes Gedächtnis pro Nutzer oder pro Akteur	Braucht meist ein separat trainiertes oder angepasstes Modell	Schlüssel und Budgets pro Nutzer; persönliches Verhalten ist extern
Für jedes Team	NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat	Gemeinsame Gedächtnis-Repositorys und Skills	Veröffentlichte Skills verbreiten das Lernen im Team	Gemeinsames Gedächtnis und Skills im Arbeitsbereich	Verfügbar über Namespaces, Graphen oder gemeinsame Speicher	Braucht meist gemeinsame Trainingsdaten und ein gemeinsames Modell	Konfiguration und Budgets pro Team
In der ganzen Organisation	NativWas funktioniert, kann von einer Person ins Team und in die Organisation wandern, nach deinen Regeln	Skills und Gedächtnis lassen sich in der ganzen Organisation teilen	Geprüfte Skills lassen sich über unterstützte Agenten verbreiten	Erkenntnisse aus dem Arbeitsbereich können sich über verbundene Agenten verbreiten	Ein gemeinsames Gedächtnis der Organisation ist möglich	Ein eigenes Modell kann gemeinsames Verhalten für die Organisation kodieren	Routing und Leitplanken in der ganzen Organisation, ohne aus Ergebnissen zu lernen
Teilen zwischen Personen, unter Kontrolle	Du wählst, was geteilt wird und mit wem, und kannst es widerrufen; alles Geteilte zeigt, von wem es stammt	Gemeinsame Repositorys und Rechte für die Zusammenarbeit	Projekt- und Bereitstellungsrechte	Zugriffskontrollen für den Arbeitsbereich	Anbieterspezifische Namespaces, IAM oder Graph-Rechte	Zugriffskontrollen für Datensätze und Modelle	Kontrollen nach Schlüssel, Team und Rolle
Schutz für geteilte Inhalte	Was jemand teilt, kommt als Information an, nie als Anweisung, und kann so den Agenten einer anderen Person nicht steuern	Stützt sich auf Agentenkontext und Rechte	Richtlinien der Entwickler und Werkzeugbeschränkungen stehen über Skills	Hängt davon ab, wie Skills laden, und vom Vertrauen in den Arbeitsbereich	Hängt von App und Anbieter ab	Trainingsdaten brauchen vor dem Training eigene Kontrollen	Leitplanken können geteilte Eingaben prüfen, aber das Vertrauen in ihre Bedeutung bleibt extern
Kontrolle und Vertrauen
Regeln	Deine Regeln sind Teil davon, wie Duplex arbeitet: Sie erlauben, verweigern oder begrenzen echte Aktionen	Anweisungen und Rechte prägen das Verhalten von Agenten	Gelernte Skills können Sicherheitsregeln der Entwickler oder Werkzeugbeschränkungen nicht aushebeln	Skills leiten den Agenten, setzen aber allein nichts durch	Kontext kann das Verhalten beeinflussen, autorisiert aber keine Aktionen	Das Verhalten wird durch Training geprägt, nicht durch Regeln zur Laufzeit	Starke Leitplanken für Ein- und Ausgaben sowie Routing-Richtlinien
Regeln vor jeder Aktion angewendet	NativDie Hooks prüfen jede Aktion gegen deine Regeln, bevor sie läuft	Hängt von der Letta-Runtime, den Rechten und dem Werkzeug-Host ab	Liegt bei der Host-App und dem Agenten-Framework	Liegt beim Host-Agenten	Das Gedächtnis liefert Kontext, autorisiert aber keine Aktionen nach außen	Extern	Stark für Anfragen und Antworten, die durch das Gateway laufen
Menschen eingebunden	Eine Person bestätigt die Aktionen, die du festlegst, und was Duplex lernt, lässt sich prüfen und rückgängig machen	Nutzer können Gedächtnis und Skills einsehen und verwalten	Eine gründliche Prüfung, bevor gelernte Skills veröffentlicht werden	Skills lassen sich vor der Wiederverwendung einsehen und bearbeiten	Von der App festgelegt	Prüfung des Trainings, Evaluation und Freigabe vor der Bereitstellung	Freigabe-Workflows unterscheiden sich je nach Gateway
Ein Verlauf, den du prüfen kannst	Ein Verlauf jeder Entscheidung, woher sie kam und was aus ihr wurde, der sich nicht stillschweigend ändern lässt	Persistente Gespräche, Gedächtnis und Agentenzustand	Durch Belege gestützte Einsichten und ihre Ursprungs-Trajektorien	Mit Sitzungen verknüpfte Skills und gespeicherte Traces	Verlauf, Quellennachweis und Audit-Kontrollen unterscheiden sich je nach Anbieter	Trainingsjobs, Datensätze, Belohnungsmetriken und Modellversionen	Umfassende Logs zu Anfragen, Antworten, Kosten und Richtlinien
Quittungen, die du prüfen kannst	Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst	Versionierte Erinnerungen und Skills	Verweise auf Belege und genaue Skill-Revisionen	Skill-Dateien, mit ihren Ursprungssitzungen verknüpft	Der Quellennachweis unterscheidet sich je nach Anbieter	Modellevaluation und Trainingsberichte	Logs und Leitplanken-Ergebnisse, keine Quittungen für Gelerntes
Gelerntes exakt rückgängig machen	NativEine gelernte Änderung lässt sich exakt rückgängig machen, ohne irgendetwas neu zu trainieren	Skills und Erinnerungen lassen sich bearbeiten oder über Versionen zurücksetzen	Veröffentlichte Skills lassen sich überarbeiten oder zurückziehen	Skill-Dateien lassen sich bearbeiten oder entfernen	Erinnerungen lassen sich löschen, aber das darauf aufgebaute Verhalten wird nicht exakt umgekehrt	Eine ganze Modellversion zurücksetzen oder ohne das Beispiel neu trainieren	Konfiguration und Cache-Einträge lassen sich entfernen; es gibt nichts Gelerntes umzukehren
Vergessen, das alles erreicht, was darauf aufbaut	Wird etwas entfernt, verschwindet auch, was daraus kam: Kontext, alles daraus Geteilte und verwandtes Lernen	Gedächtnis und Skills werden über Dateien und Versionen bereinigt	Heißt, die betroffenen Einsichten, Skills und abgeleiteten Assets zu entfernen	Heißt, die betroffenen Sitzungen und erzeugten Skills zu entfernen	Löscht meist Einträge; abgeleitete Zusammenfassungen und Kopien an anderer Stelle brauchen eine eigene Behandlung	Braucht maschinelles Verlernen oder Neutraining	Logs und Caches folgen ihrer eigenen Aufbewahrung
Kunden getrennt halten	Jeder Nutzer, jedes Team, jede Organisation und jeder Kunde bleibt getrennt, in jeder Integration und in allem, was es teilt	Rechte in der Cloud und bei selbst gehostetem Betrieb	Isolation pro Projekt und Bereitstellung	Gedächtnis und Skills, auf einen Arbeitsbereich begrenzt	Isolation nach Nutzer, Akteur, Namespace, Graph oder IAM	Cloud-IAM und Grenzen für den Modellzugriff	Ausgereifte Isolation nach Schlüssel, Team, Budget und Rolle
Woher alles Gelernte stammt	Bei allem, was es gelernt hat, siehst du die Quelle, den Geltungsbereich und wie weit man ihm trauen kann	Gedächtnis und Skills bleiben einsehbar	Einsichten und Skills bleiben mit den Trajektorien verknüpft, aus denen sie stammen	Skills können auf ihre Ursprungssitzungen verweisen	Stark bei temporalen Graph-Produkten; anderswo unterschiedlich	Herkunft der Datensätze und Trainingsmetadaten	Herkunft von Anfragen und Anbietern
Wo es läuft und sich verbindet
Jeder Modellanbieter	Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg	Ein Agenten-Harness, das mit jedem Modell funktioniert	Funktioniert über unterstützte Agenten-Frameworks und Modelle hinweg	Funktioniert über mehrere Coding-Agenten und ihre Modelle hinweg	Meist unabhängig vom Modell	Meist an das angepasste Modell und den Trainingsanbieter gebunden	NativDie Abstraktion von Anbietern kann die Kategorie am besten
MCP	NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten	Über gehostetes MCP können andere Agenten zustandsbehaftete Letta-Agenten erstellen und ihnen Nachrichten senden	Skills können Agenten und MCP-Server über Integrationen erreichen	Verbindet sich mit großen Coding-Agenten; wie, hängt vom Client ab	Verfügbar in mehreren Produkten, darunter Supermemory und AgentCore	Nicht nativ	Zunehmend nativ
Hooks und Plugins	NativPlugins für Claude, Codex, Cursor und Hermes sowie Hooks, die Duplex bei jedem Schritt einbinden und sensible Werkzeugaktionen prüfen	SDK, CLI und Integration in die Agenten-Runtime	AG-UI und Framework-Adapter	Automatische Erfassung von Sitzungen der Coding-Agenten	SDK- und MCP-Integrationen	Die Datensammlung muss separat aufgebaut werden	SDK- und Proxy-Integration, keine Hooks, die aus Agentensitzungen lernen
Deine Cloud oder selbst gehostet	Vareon Cloud, deine Cloud oder keine Cloud: private Cloud, dein eigenes Konto, selbst gehostet oder vom Netz getrennt	Cloud und ein selbst gehosteter App-Server	Intelligenz in der Cloud und selbst gehostet	Lokale Agenten-Integration; die Bereitstellungsoptionen variieren	Anbieterspezifisch; es gibt Open-Source- und verwaltete Optionen	Training in der Cloud und gehostete Inferenz	Gehostete und selbst gehostete Optionen unterscheiden sich je nach Gateway
Keine Cloud: vom Netz getrennt	Gebaut für Umgebungen, aus denen nichts hinausgehen darf, mit lokalen Modellen, lokalen Abhängigkeiten und deinem eigenen Identitätsanbieter	Möglich mit einem selbst gehosteten Stack und lokalen Abhängigkeiten	Möglich mit einem selbst gehosteten Stack und lokalen Abhängigkeiten	Hängt von der gewählten Bereitstellung und den Modelldiensten ab	Hängt von der Plattform ab	Beschränkt auf Dienste, die Offline-Training und -Inferenz unterstützen	Verfügbar mit selbst gehosteten Gateways und lokalen Anbietern
Kosten, Tempo und Passung
Wie es Modellkosten senkt	Duplex beantwortet bekannte Arbeit selbst, ohne wiederholten Aufruf eines Spitzenmodells	Besserer Kontext und bessere Skills verbessern Ergebnisse, aber das Modell läuft weiterhin	Bessere Skills senken Fehler und Nacharbeit, aber das Modell läuft weiterhin	Bessere Skills senken wiederholte Fehler, aber das Modell läuft weiterhin	Besserer Kontext senkt Wiederholungen, bringt aber zusätzliches Retrieval und ruft weiterhin das Modell auf	Ein kleineres angepasstes Modell liefert vielleicht die Qualität, die du brauchst	Caching, günstigere Modelle, Batching und Wahl des Anbieters
Wie es die Latenz senkt	Entscheidungen, bei denen es sicher ist, kommen schnell zurück; unsichere Arbeit geht weiterhin an dein Spitzenmodell	Besser organisierter Kontext kann unnötiges Reasoning sparen	Skills machen die Ausführung direkter	Skills verkürzen das wiederholte Herausfinden	Schnelleres Retrieval und kleinerer Kontext	Hängt vom angepassten Modell ab	Caching, Lastverteilung und Wahl des Anbieters
Übersteht ein Modell-Upgrade	JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells	JaGedächtnis und Skills sind bewusst unabhängig vom Modell	JaSkills und Trajektorien bleiben außerhalb der Modellgewichte	JaSkills überstehen einen Wechsel von Coding-Agent oder Modell	JaGespeicherter Kontext hängt nicht vom Modell ab	Die Anpassung gehört zu einem Modell-Checkpoint und wird daher nicht automatisch übernommen	Die Routing-Konfiguration übersteht es, aber kein gelerntes Verhalten bleibt erhalten
Fine-Tuning nötig	NeinFine-Tuning wird zu einem optionalen Upgrade	Nein	NeinNicht für Skills; CLiF kann auch Fine-Tuning-Daten erzeugen	Nein	Nein	Ja	Nein
Am besten für	Organisationen, deren KI-Agenten lernen, im Rahmen von Regeln handeln, Arbeit weitertragen und über Modelle hinweg besser werden müssen, als ein System	Teams, die persistente, sich selbst verbessernde Agenten rund um Gedächtnis im Token-Raum und Skills bauen	Produktteams, die echte Workflows von Nutzern in geprüfte Skills, Evaluationen und Trainingsmaterial verwandeln	Teams, deren Coding-Agenten Sitzungen teilen und Erkenntnisse automatisch wiederverwenden sollen	Apps, die vor allem dauerhaften, relevanten Kontext zu Nutzern oder zum Geschäft brauchen	Stabile Aufgaben mit hohem Volumen, bei denen das Modell selbst spezialisiert sein muss	Teams, die vor allem Abstraktion von Anbietern, Zuverlässigkeit, Leitplanken und Kostenkontrolle brauchen

Ein geschlossener Kreis.

In Duplex werden Kontext, Lernen, Skills und deine Regeln zu einem Kreis, der sich dreht, während die Arbeit läuft.

Duplex versteht die anstehende Aufgabe und holt den Kontext zurück, der zählt.

Warum es zählt.

Ein KI-Modell kann intelligent sein, ohne je Erfahrung mit deiner Arbeit zu sammeln.

Ein Gedächtnissystem zeigt dem Modell, was vorher geschah, aber es entscheidet nicht, was sich ändern sollte. Ein Skill-System verpackt eine Erkenntnis, aber das Modell muss sie trotzdem lesen und befolgen. Fine-Tuning ändert das Modell, über einen langsameren Trainingszyklus, der schwer rückgängig zu machen ist. Ein Gateway steuert den Verkehr, lernt aber nicht, welche Entscheidung zum besten Ergebnis geführt hat.

Duplex macht aus Erfahrung Verbesserung, während es arbeitet, im Rahmen deiner Regeln.

So entsteht eine andere Art von Wert. Jede bestätigte Korrektur, jeder erfolgreiche Workflow, jedes nützliche Werkzeugergebnis und jede erledigte Aufgabe stärkt die Intelligenz rund um dein Modell, und nichts davon ist bei einem Modellanbieter eingesperrt.

Unterm Strich.

GedächtnisGibt einem Agenten eine Vergangenheit.
SkillsGeben einem Agenten wiederverwendbare Anweisungen.
Fine-TuningGibt einem Modell andere Gewichte.
GatewaysGeben einem KI-Stack Kontrolle über den Verkehr.
DuplexGibt dem ganzen Agentensystem die Kraft, Erfahrung weiterzutragen, aus Ergebnissen zu lernen, im Rahmen deiner Regeln zu handeln und über Modelle hinweg besser zu werden, mit der Zeit.

Unter den betrachteten Produkten und Kategorien ist Duplex das einzige, das darauf ausgelegt ist, Folgendes zu vereinen:

Kontext über Sitzungen hinweg
Kontinuierliches Lernen aus Ergebnissen
Lernen aus Korrekturen und Belohnungen
Verdienst für die Schritte hinter einem Ergebnis
Lernen, wie Aktionen die Arbeit voranbringen, und vorhersagen, was als Nächstes kommt
Entscheidungen, die wissen, wie sicher sie sind
Übergabe an das richtige Modell, Werkzeug oder die richtige Person
Lange Arbeit, die weitergeht
Lernen für jede Person, jedes Team und jede Organisation
Deine Regeln, vor jeder Aktion angewendet
Werkzeugaktionen im Rahmen deiner Regeln
Teilen zwischen Personen, unter Kontrolle
Gelerntes exakt rückgängig machen
Vergessen, das alles erreicht, was darauf aufbaut
Woher alles Gelernte stammt, mit Quittungen
MCP + Hooks und Plugins für die Assistenten, die du nutzt
Kontinuität über Modelle und Apps hinweg
Deine Cloud, selbst gehostet oder vom Netz getrennt
Weniger Modellaufrufe, weil bekannte Arbeit direkt beantwortet wird

Duplex macht deine KI-Systeme mit jeder Erfahrung besser bei der Arbeit.

Die Quellen.

Die Produktseiten und Dokumentationen, auf denen dieser Vergleich beruht.

Vergleich auf dem Stand vom 16. Oktober 2026.

Erlebe Duplex mit deiner eigenen Arbeit.

Vergleiche dort, wo es zählt: Ein Pilotprojekt setzt Duplex auf deine eigene Arbeit an, mit Kennzahlen, die vor dem Start vereinbart werden.

Pilotprojekt starten →Duplex kennenlernen

Gedächtnis erinnert sich. Skills kodieren. Fine-Tuning trainiert neu. Gateways routen.
Duplex schließt den Kreis.

Jedes löst einen Teil.

Gedächtnisplattformen geben Agenten eine Vergangenheit: Fakten, Nachrichten und Episoden, abgerufen zum nächsten Modellaufruf.

Skill-Lernen gibt einem Agenten wiederverwendbare Anweisungen, gewonnen aus der Arbeit, die gut lief.

Fine-Tuning gibt einem Modell andere Gewichte, einen Trainingslauf nach dem anderen.

KI-Gateways geben einem KI-Stack Kontrolle über den Verkehr: Routing, Wiederholungen, Leitplanken und Kosten.

Duplex schließt den Kreis: Es trägt den Kontext weiter, lernt aus jeder Korrektur und jedem Ergebnis, handelt im Rahmen deiner Regeln und lässt jedes Modell deiner Wahl von dem profitieren, was es gelernt hat.

Alle Fähigkeiten, nebeneinander.

Ein geschlossener Kreis.

Duplex versteht die anstehende Aufgabe und holt den Kontext zurück, der zählt.

Es weiß, ob der Fall bekannt, unsicher oder von einer deiner Regeln abgedeckt ist.

Es entscheidet, ob es selbst handelt, ein Modell aufruft, Werkzeuge nutzt oder ablehnt.

Es lernt, was passiert ist und ob es funktioniert hat.

Es schreibt das Verdienst den Entscheidungen und Aktionen zu, die zum Ergebnis führten.

Es ändert, was es als Nächstes tut, ohne auf einen Neutrainingszyklus zu warten.

Es trägt, was es gelernt hat, über Sitzungen, Apps, Agenten und Modellanbieter hinweg.

Es macht ungewolltes Lernen rückgängig und zeigt genau, was sich änderte.

Warum es zählt.

Unterm Strich.

Die Quellen.

Erlebe Duplex mit deiner eigenen Arbeit.

Gedächtnis erinnert sich. Skills kodieren. Fine-Tuning trainiert neu. Gateways routen.Duplex schließt den Kreis.

Jedes löst einen Teil.

Gedächtnisplattformen geben Agenten eine Vergangenheit: Fakten, Nachrichten und Episoden, abgerufen zum nächsten Modellaufruf.

Alle Fähigkeiten, nebeneinander.

Ein geschlossener Kreis.

Duplex versteht die anstehende Aufgabe und holt den Kontext zurück, der zählt.

Warum es zählt.

Unterm Strich.

Die Quellen.

Erlebe Duplex mit deiner eigenen Arbeit.

Gedächtnis erinnert sich. Skills kodieren. Fine-Tuning trainiert neu. Gateways routen.
Duplex schließt den Kreis.