Duplex und Letta,
nebeneinander.
Letta baut zustandsbehaftete Agenten rund um persistentes Gedächtnis und gelernte Skills. Duplex ist eine zweite Intelligenz neben deiner KI: Es lernt aus jedem Ergebnis und handelt danach zur Laufzeit, im Rahmen deiner Regeln, welches Modell du auch nutzt.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und Letta.
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 | Letta |
|---|---|---|
| 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 |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Agentengedächtnis, Gespräche, Dateien und Skills |
| 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 |
| 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 | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | NativLernen im Token-Raum und Skill-Lernen |
| 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 |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Korrekturen können das Gedächtnis aktualisieren oder in gelernte Skills einfließen |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | Möglich durch Reflexion über Trajektorien und vom Agenten verwaltete Updates |
| Lernen aus Belohnungen | NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat | Belohnungen sind nicht seine wichtigste Art zu lernen |
| 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 |
| 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 |
| 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 |
| Bessere Wahl der Aktionen | NativErgebnisse verbessern, welche Aktion es als Nächstes wählt | Das Verhalten verbessert sich durch Gedächtnis und Skills |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | Das Modell interpretiert weiterhin Gedächtnis oder Skills |
| 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 |
| 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 |
| 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 |
| Lernen, welche Werkzeuge funktionieren | Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt | Skills und Gedächtnis können die Werkzeugnutzung verbessern |
| Werkzeugaktionen im Rahmen deiner Regeln | Werkzeuge laufen nur über deine Regeln und Rechte | Agentenrechte und Werkzeugkonfiguration |
| Streaming | Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln | Verfügbar über Agenten- und Modellschnittstellen |
| 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 |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | NativPersistente Agenten behalten ihr Gedächtnis über Gespräche hinweg |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | Gemeinsame Gedächtnis-Repositorys und Skills |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Quittungen, die du prüfen kannst | Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst | Versionierte Erinnerungen und Skills |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | Über gehostetes MCP können andere Agenten zustandsbehaftete Letta-Agenten erstellen und ihnen Nachrichten senden |
| 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 |
| 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 |
| 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 | Besserer Kontext und bessere Skills verbessern Ergebnisse, 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 | Besser organisierter Kontext kann unnötiges Reasoning sparen |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | JaGedächtnis und Skills sind bewusst unabhängig vom Modell |
| 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 persistente, sich selbst verbessernde Agenten rund um Gedächtnis im Token-Raum und Skills bauen |
Die anderen Vergleiche.
- 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
- 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.