Duplex und KI-Gateways,
nebeneinander.
Portkey, LiteLLM und ähnliche Gateways routen den Verkehr, setzen Leitplanken und verwalten Anbieter. Duplex lernt, welche Entscheidungen funktionieren, und handelt danach im Rahmen deiner Regeln, bei jedem Schritt der Arbeit.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und KI-Gateways.
Was jedes tut, Gruppe für Gruppe, von dem, was es ist, bis zu dem, was es kostet.
- 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.
| Fähigkeit | Duplex | 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 | Modell-Routing, Zuverlässigkeit, Leitplanken und Observability |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Konfiguration, Logs, Routing-Richtlinien und Caches |
| Was mit Erfahrung besser wird | Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen | 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 | Operative Kontrolle ohne kontinuierliches Lernen |
| Lernen | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | Nicht nativ |
| Anpassung von Runde zu Runde | NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern | Das Routing ändert sich sofort, aber nicht aus gelernten Ergebnissen |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Meist protokolliert; das Lernen daraus ist extern |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | 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 | Nicht nativ |
| Verdienst für die Schritte hinter einem Ergebnis | NativEs ermittelt, welche früheren Aktionen zu einem späteren Ergebnis geführt haben | Nicht nativ |
| Wie Aktionen die Arbeit voranbringen | NativEs lernt, wie jede Aktion die Arbeit von einem Zustand in den nächsten bringt | Nicht nativ |
| Vorhersagen, was eine Aktion bewirkt | NativAus dem, was es beobachtet, sagt es voraus, was eine Aktion bewirkt, probiert Alternativen und plant | Nicht nativ |
| Bessere Wahl der Aktionen | NativErgebnisse verbessern, welche Aktion es als Nächstes wählt | 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 | 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 | 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 | 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 | 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 | Routen, wiederholen, blockieren oder ausweichen, ohne aus Ergebnissen zu lernen |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | 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 | 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 | 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 | 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 | 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 | 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 | NativStarkes Streaming |
| Arbeit, die weitergeht | ||
| Lernen aus jedem Schritt, automatisch | Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf | Anfragen, Antworten, Kosten und Latenz werden protokolliert |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | 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 | Nicht nativ |
| Über Modelle hinweg | NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg | 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 | 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 | 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 | 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 | 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 | Nicht nativ |
| Personen, Teams und Teilen | ||
| Für jede Person | NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen | Schlüssel und Budgets pro Nutzer; persönliches Verhalten ist extern |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | Herkunft von Anfragen und Anbietern |
| Wo es läuft und sich verbindet | ||
| Jeder Modellanbieter | Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg | NativDie Abstraktion von Anbietern kann die Kategorie am besten |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | 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- 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 | 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 | 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 | 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 | Caching, Lastverteilung und Wahl des Anbieters |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | Die Routing-Konfiguration übersteht es, aber kein gelerntes Verhalten bleibt erhalten |
| Fine-Tuning nötig | NeinFine-Tuning wird zu einem optionalen Upgrade | 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 vor allem Abstraktion von Anbietern, Zuverlässigkeit, Leitplanken und Kostenkontrolle brauchen |
Die anderen Vergleiche.
- Duplex und LettaZustandsbehaftete Agenten mit Gedächtnis und Skills
- Duplex und CopilotKit CLiFEchte Workflows, zu Skills gemacht
- Duplex und Deeplake HivemindGemeinsames Gedächtnis für Coding-Agenten
- Duplex und GedächtnisplattformenMem0, Zep, AgentCore Memory, Supermemory
- Duplex und Fine-TuningFine-Tuning und Reinforcement Fine-Tuning
- Der ganze VergleichDuplex neben allen sechs, nebeneinander
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.