Duplex und CopilotKit CLiF,
nebeneinander.
CopilotKit CLiF macht aus echten Workflows von Nutzern geprüfte Skills, Evaluationen und Trainingsdaten. Duplex lernt aus jedem Ergebnis, während die Arbeit läuft, und handelt nach dem Gelernten, im Rahmen deiner Regeln.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 Full-Stack-Pipeline, die Trajektorien in Skills, Evaluationen und Trainingsdaten verwandelt |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Threads, Trajektorien, Einsichten, Skills und Evaluationen |
| Was mit Erfahrung besser wird | Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen | Die Anweisungen des Agenten, durch geprüfte Skills aus echten Workflows |
| Wissen, was geschah, und daraus lernen | NativEs weiß, was geschah, und lernt, was als Nächstes zu ändern ist | Lernen entsteht aus gespeicherten Trajektorien |
| Lernen | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | NativSkill-Lernen; Fine-Tuning-Daten sind optional |
| Anpassung von Runde zu Runde | NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern | Die Analyse läuft von Hand oder nach Zeitplan |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Änderungen von Nutzern und Aktionen in der App fließen in sein Lernen ein |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | Ergebnisse aus dem ganzen Stack werden zu Einsichten, Skills, Evaluationen und Trainingsdaten |
| Lernen aus Belohnungen | NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat | Kann aus bewerteten Trajektorien Fine-Tuning-Daten erzeugen |
| Verdienst für die Schritte hinter einem Ergebnis | NativEs ermittelt, welche früheren Aktionen zu einem späteren Ergebnis geführt haben | Die Analyse von Trajektorien kann nützliche Workflow-Muster aufdecken |
| Wie Aktionen die Arbeit voranbringen | NativEs lernt, wie jede Aktion die Arbeit von einem Zustand in den nächsten bringt | Kann Workflows in Skills verwandeln |
| Vorhersagen, was eine Aktion bewirkt | NativAus dem, was es beobachtet, sagt es voraus, was eine Aktion bewirkt, probiert Alternativen und plant | ExternDem Agenten-Framework überlassen |
| Bessere Wahl der Aktionen | NativErgebnisse verbessern, welche Aktion es als Nächstes wählt | Geprüfte Skills verbessern die nächsten Anweisungen des Agenten |
| Wiederverwendbare Fertigkeiten | NativErfahrung wird zu Skills, die vor dem Einsatz getestet werden und sich pausieren, zurückholen oder zurückziehen lassen | NativTrajektorien werden zu geprüften Skills, gestützt durch Belege |
| Skills testen und verwalten | Ein Skill wird getestet, bevor man sich auf ihn verlässt, und lässt sich pausieren, zurückholen, zurückziehen oder endgültig entfernen | Nach menschlicher Prüfung veröffentlicht, in einer gepinnten Version ausgeliefert |
| Verallgemeinern auf verwandte Fälle | Es überträgt, was es gelernt hat, auf verwandte Fälle und neue Formulierungen und in Skills, die es wiederverwenden kann | Skills erfassen Muster aus vielen Trajektorien im Produktivbetrieb |
| Entscheiden und Handeln | ||
| Wissen, wie sicher es ist | NativVor jeder Entscheidung weiß es, wie bekannt der Fall ist und wie sicher es ist | Von Evaluation getrieben, kein laufendes Maß für Gewissheit |
| Antworten, übergeben oder ablehnen | NativDuplex antwortet selbst, ruft dein Modell auf, nutzt ein Werkzeug oder lehnt ab, im Rahmen deiner Regeln | ExternDer Host-Agent entscheidet, wie gehandelt wird |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | Das Modell liest weiterhin den gelernten Skill |
| Übergeben, was neu oder unsicher ist | Neue, unsichere oder sensible Arbeit geht an das richtige Modell, das richtige Werkzeug oder die richtige Person | ExternAufgabe des Host-Agenten |
| Planung, Simulation und Empfehlungen | NativEs sagt voraus, was als Nächstes passiert, probiert Alternativen, erstellt Pläne und empfiehlt Aktionen | ExternAufgabe des Host-Agenten |
| 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 | Funktioniert über unterstützte Agenten-Frameworks hinweg |
| Lernen, welche Werkzeuge funktionieren | Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt | Full-Stack-Trajektorien erfassen Werkzeug- und Nutzeraktionen für neue Skills |
| Werkzeugaktionen im Rahmen deiner Regeln | Werkzeuge laufen nur über deine Regeln und Rechte | Gesteuert vom Host-Agenten-Framework |
| Streaming | Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln | Verfügbar über unterstützte Agenten-Frameworks |
| Arbeit, die weitergeht | ||
| Lernen aus jedem Schritt, automatisch | Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf | AG-UI erfasst Agenten- und Nutzeraktionen als Full-Stack-Trajektorien |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | Dauerhafte Threads behalten App-Interaktionen |
| Lang laufende Arbeit | NativLange Arbeit bleibt über Sitzungen und Agenten hinweg offen, mit Sicherungspunkten zum Zurückkehren, bis sie erledigt oder vergessen ist | Dauerhafte Threads behalten den Verlauf der Interaktionen |
| Über Modelle hinweg | NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg | Stark: Skills lassen sich über unterstützte Agenten-Stacks hinweg ausliefern |
| Über Apps und Agenten hinweg | Dieselbe Arbeit geht über Claude, Codex, Cursor, Hermes und deine eigenen Agenten hinweg weiter | Skills lassen sich über unterstützte Framework-Adapter ausliefern |
| Arbeit an einen anderen Agenten übergeben | Eine Aufgabe und ihr Kontext gehen an einen anderen Agenten, den du zulässt, bereit zum Weitermachen | Gemeinsame Trajektorien und veröffentlichte Skills halten das Verhalten einheitlich |
| Kontext kompakt halten | Der Kontext bleibt kompakt, konzentriert auf die Regeln, Aufgaben und Entscheidungen, auf die es ankommt | Trajektorien werden zu Einsichten und Skills destilliert |
| Lernen aus Bildern, Audio, Video und PDFs | Es lernt aus Bildern, Audio, Video und PDFs, so wie aus Text | Hängt von den erfassten App-Ereignissen und dem Agenten-Stack ab |
| 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 | Außerhalb des Hauptfokus von CLiF |
| Personen, Teams und Teilen | ||
| Für jede Person | NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen | Möglich über App-Threads und Lerncontainer |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | Veröffentlichte Skills verbreiten das Lernen im Team |
| In der ganzen Organisation | NativWas funktioniert, kann von einer Person ins Team und in die Organisation wandern, nach deinen Regeln | Geprüfte Skills lassen sich über unterstützte Agenten verbreiten |
| Teilen zwischen Personen, unter Kontrolle | Du wählst, was geteilt wird und mit wem, und kannst es widerrufen; alles Geteilte zeigt, von wem es stammt | Projekt- und Bereitstellungsrechte |
| Schutz für geteilte Inhalte | Was jemand teilt, kommt als Information an, nie als Anweisung, und kann so den Agenten einer anderen Person nicht steuern | Richtlinien der Entwickler und Werkzeugbeschränkungen stehen über Skills |
| Kontrolle und Vertrauen | ||
| Regeln | Deine Regeln sind Teil davon, wie Duplex arbeitet: Sie erlauben, verweigern oder begrenzen echte Aktionen | Gelernte Skills können Sicherheitsregeln der Entwickler oder Werkzeugbeschränkungen nicht aushebeln |
| Regeln vor jeder Aktion angewendet | NativDie Hooks prüfen jede Aktion gegen deine Regeln, bevor sie läuft | Liegt bei der Host-App und dem Agenten-Framework |
| Menschen eingebunden | Eine Person bestätigt die Aktionen, die du festlegst, und was Duplex lernt, lässt sich prüfen und rückgängig machen | Eine gründliche Prüfung, bevor gelernte Skills veröffentlicht werden |
| Ein Verlauf, den du prüfen kannst | Ein Verlauf jeder Entscheidung, woher sie kam und was aus ihr wurde, der sich nicht stillschweigend ändern lässt | Durch Belege gestützte Einsichten und ihre Ursprungs-Trajektorien |
| Quittungen, die du prüfen kannst | Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst | Verweise auf Belege und genaue Skill-Revisionen |
| Gelerntes exakt rückgängig machen | NativEine gelernte Änderung lässt sich exakt rückgängig machen, ohne irgendetwas neu zu trainieren | Veröffentlichte Skills lassen sich überarbeiten oder zurückziehen |
| Vergessen, das alles erreicht, was darauf aufbaut | Wird etwas entfernt, verschwindet auch, was daraus kam: Kontext, alles daraus Geteilte und verwandtes Lernen | Heißt, die betroffenen Einsichten, Skills und abgeleiteten Assets zu entfernen |
| Kunden getrennt halten | Jeder Nutzer, jedes Team, jede Organisation und jeder Kunde bleibt getrennt, in jeder Integration und in allem, was es teilt | Isolation pro Projekt und Bereitstellung |
| Woher alles Gelernte stammt | Bei allem, was es gelernt hat, siehst du die Quelle, den Geltungsbereich und wie weit man ihm trauen kann | Einsichten und Skills bleiben mit den Trajektorien verknüpft, aus denen sie stammen |
| Wo es läuft und sich verbindet | ||
| Jeder Modellanbieter | Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg | Funktioniert über unterstützte Agenten-Frameworks und Modelle hinweg |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | Skills können Agenten und MCP-Server über Integrationen erreichen |
| Hooks und Plugins | NativPlugins für Claude, Codex, Cursor und Hermes sowie Hooks, die Duplex bei jedem Schritt einbinden und sensible Werkzeugaktionen prüfen | AG-UI und Framework-Adapter |
| Deine Cloud oder selbst gehostet | Vareon Cloud, deine Cloud oder keine Cloud: private Cloud, dein eigenes Konto, selbst gehostet oder vom Netz getrennt | Intelligenz in der Cloud und selbst gehostet |
| 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 |
| Kosten, Tempo und Passung | ||
| Wie es Modellkosten senkt | Duplex beantwortet bekannte Arbeit selbst, ohne wiederholten Aufruf eines Spitzenmodells | Bessere Skills senken Fehler und Nacharbeit, aber das Modell läuft weiterhin |
| Wie es die Latenz senkt | Entscheidungen, bei denen es sicher ist, kommen schnell zurück; unsichere Arbeit geht weiterhin an dein Spitzenmodell | Skills machen die Ausführung direkter |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | JaSkills und Trajektorien bleiben außerhalb der Modellgewichte |
| Fine-Tuning nötig | NeinFine-Tuning wird zu einem optionalen Upgrade | NeinNicht für Skills; CLiF kann auch Fine-Tuning-Daten erzeugen |
| 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 | Produktteams, die echte Workflows von Nutzern in geprüfte Skills, Evaluationen und Trainingsmaterial verwandeln |
Die anderen Vergleiche.
- Duplex und LettaZustandsbehaftete Agenten mit Gedächtnis und Skills
- Duplex und Deeplake HivemindGemeinsames Gedächtnis für Coding-Agenten
- Duplex und GedächtnisplattformenMem0, Zep, AgentCore Memory, Supermemory
- Duplex und Fine-TuningFine-Tuning und Reinforcement Fine-Tuning
- Duplex und KI-GatewaysPortkey, LiteLLM und ähnliche
- 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.