Duplex und Gedächtnisplattformen,
nebeneinander.
Mem0, Zep, AgentCore Memory und Supermemory bewahren Fakten, Nachrichten und Episoden für den nächsten Modellaufruf. Duplex lernt aus Erfahrung: Es versteht das Muster, sagt voraus, was als Nächstes kommt, und handelt danach.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und Gedächtnisplattformen.
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 | GedächtnisplattformenMem0, Zep, AgentCore Memory und Supermemory |
|---|---|---|
| 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 | Persistenter Kontext, Fakten, Episoden und Wissensgraphen |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Fakten, Nachrichten, Zusammenfassungen, Episoden und Graph-Beziehungen |
| Was mit Erfahrung besser wird | Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen | Vor allem der Kontext für den nächsten Modellaufruf |
| Wissen, was geschah, und daraus lernen | NativEs weiß, was geschah, und lernt, was als Nächstes zu ändern ist | Vor allem Gedächtnis; wie weit es lernt, hängt vom Anbieter ab |
| Lernen | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | Verbesserung durch Kontext; wie tief sie geht, hängt von der Plattform ab |
| Anpassung von Runde zu Runde | NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern | Erinnerungen lassen sich laufend hinzufügen, aber sie abzurufen ist keine Anpassung |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Korrekturen lassen sich speichern und als Kontext abrufen |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | Episoden lassen sich abrufen, aber Lernen aus Ergebnissen ist meist extern |
| Lernen aus Belohnungen | NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat | Belohnungen sind keine übliche Gedächtnisfunktion |
| 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 | Gespeicherte Episoden können als Beispiele dienen |
| 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 | Abgerufener Kontext kann das Verhalten indirekt prägen |
| Wiederverwendbare Fertigkeiten | NativErfahrung wird zu Skills, die vor dem Einsatz getestet werden und sich pausieren, zurückholen oder zurückziehen lassen | Hängt vom Anbieter ab; meist nicht das, worum die Kategorie gebaut ist |
| Skills testen und verwalten | Ein Skill wird getestet, bevor man sich auf ihn verlässt, und lässt sich pausieren, zurückholen, zurückziehen oder endgültig entfernen | Meist ein Lebenszyklus pro Eintrag, nicht pro Skill |
| Verallgemeinern auf verwandte Fälle | Es überträgt, was es gelernt hat, auf verwandte Fälle und neue Formulierungen und in Skills, die es wiederverwenden kann | Semantisches Retrieval findet verwandte Informationen, was nicht dasselbe ist, wie Verhalten zu verallgemeinern |
| Entscheiden und Handeln | ||
| Wissen, wie sicher es ist | NativVor jeder Entscheidung weiß es, wie bekannt der Fall ist und wie sicher es ist | Retrieval-Scores und Relevanzsignale |
| Antworten, übergeben oder ablehnen | NativDuplex antwortet selbst, ruft dein Modell auf, nutzt ein Werkzeug oder lehnt ab, im Rahmen deiner Regeln | ExternDie Host-Anwendung entscheidet, wie gehandelt wird |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | Das Modell liest normalerweise den abgerufenen Kontext |
| Übergeben, was neu oder unsicher ist | Neue, unsichere oder sensible Arbeit geht an das richtige Modell, das richtige Werkzeug oder die richtige Person | ExternAufgabe der Anwendung |
| Planung, Simulation und Empfehlungen | NativEs sagt voraus, was als Nächstes passiert, probiert Alternativen, erstellt Pläne und empfiehlt Aktionen | Das Gedächtnis liefert Kontext; die Planung bleibt extern |
| 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 | Gemeinsames Gedächtnis kann mehreren Agenten dienen |
| Lernen, welche Werkzeuge funktionieren | Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt | Werkzeugergebnisse lassen sich merken |
| Werkzeugaktionen im Rahmen deiner Regeln | Werkzeuge laufen nur über deine Regeln und Rechte | ExternBei reinen Gedächtnissystemen der Anwendung überlassen |
| Streaming | Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln | Hängt vom Anbieter ab |
| Arbeit, die weitergeht | ||
| Lernen aus jedem Schritt, automatisch | Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf | SDK- oder Harness-Integrationen erfassen Nachrichten und Ereignisse |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | NativGenau darum herum ist die Kategorie gebaut |
| Lang laufende Arbeit | NativLange Arbeit bleibt über Sitzungen und Agenten hinweg offen, mit Sicherungspunkten zum Zurückkehren, bis sie erledigt oder vergessen ist | Kontext lässt sich abrufen, aber die Verwaltung des Aufgabenstands ist extern |
| Über Modelle hinweg | NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg | Meist stark, weil das Gedächtnis nicht vom Modell abhängt |
| Über Apps und Agenten hinweg | Dieselbe Arbeit geht über Claude, Codex, Cursor, Hermes und deine eigenen Agenten hinweg weiter | Möglich, wenn Apps dieselbe Gedächtnis-Identität teilen |
| Arbeit an einen anderen Agenten übergeben | Eine Aufgabe und ihr Kontext gehen an einen anderen Agenten, den du zulässt, bereit zum Weitermachen | Ein anderer berechtigter Agent kann den gemeinsamen Kontext abrufen |
| Kontext kompakt halten | Der Kontext bleibt kompakt, konzentriert auf die Regeln, Aufgaben und Entscheidungen, auf die es ankommt | Zusammenfassungen, extrahierte Erinnerungen und episodische Einträge |
| Lernen aus Bildern, Audio, Video und PDFs | Es lernt aus Bildern, Audio, Video und PDFs, so wie aus Text | Hängt von Anbieter und Modell 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 | Verfügbar in Produkten, die mehr als Text indexieren |
| Personen, Teams und Teilen | ||
| Für jede Person | NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen | Starkes Gedächtnis pro Nutzer oder pro Akteur |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | Verfügbar über Namespaces, Graphen oder gemeinsame Speicher |
| In der ganzen Organisation | NativWas funktioniert, kann von einer Person ins Team und in die Organisation wandern, nach deinen Regeln | Ein gemeinsames Gedächtnis der Organisation ist möglich |
| Teilen zwischen Personen, unter Kontrolle | Du wählst, was geteilt wird und mit wem, und kannst es widerrufen; alles Geteilte zeigt, von wem es stammt | Anbieterspezifische Namespaces, IAM oder Graph-Rechte |
| Schutz für geteilte Inhalte | Was jemand teilt, kommt als Information an, nie als Anweisung, und kann so den Agenten einer anderen Person nicht steuern | Hängt von App und Anbieter ab |
| Kontrolle und Vertrauen | ||
| Regeln | Deine Regeln sind Teil davon, wie Duplex arbeitet: Sie erlauben, verweigern oder begrenzen echte Aktionen | Kontext kann das Verhalten beeinflussen, autorisiert aber keine Aktionen |
| Regeln vor jeder Aktion angewendet | NativDie Hooks prüfen jede Aktion gegen deine Regeln, bevor sie läuft | Das Gedächtnis liefert Kontext, autorisiert aber keine Aktionen nach außen |
| Menschen eingebunden | Eine Person bestätigt die Aktionen, die du festlegst, und was Duplex lernt, lässt sich prüfen und rückgängig machen | Von der App festgelegt |
| Ein Verlauf, den du prüfen kannst | Ein Verlauf jeder Entscheidung, woher sie kam und was aus ihr wurde, der sich nicht stillschweigend ändern lässt | Verlauf, Quellennachweis und Audit-Kontrollen unterscheiden sich je nach Anbieter |
| Quittungen, die du prüfen kannst | Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst | Der Quellennachweis unterscheidet sich je nach Anbieter |
| Gelerntes exakt rückgängig machen | NativEine gelernte Änderung lässt sich exakt rückgängig machen, ohne irgendetwas neu zu trainieren | Erinnerungen lassen sich löschen, aber das darauf aufgebaute Verhalten wird nicht exakt umgekehrt |
| Vergessen, das alles erreicht, was darauf aufbaut | Wird etwas entfernt, verschwindet auch, was daraus kam: Kontext, alles daraus Geteilte und verwandtes Lernen | Löscht meist Einträge; abgeleitete Zusammenfassungen und Kopien an anderer Stelle brauchen eine eigene Behandlung |
| Kunden getrennt halten | Jeder Nutzer, jedes Team, jede Organisation und jeder Kunde bleibt getrennt, in jeder Integration und in allem, was es teilt | Isolation nach Nutzer, Akteur, Namespace, Graph oder IAM |
| Woher alles Gelernte stammt | Bei allem, was es gelernt hat, siehst du die Quelle, den Geltungsbereich und wie weit man ihm trauen kann | Stark bei temporalen Graph-Produkten; anderswo unterschiedlich |
| Wo es läuft und sich verbindet | ||
| Jeder Modellanbieter | Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg | Meist unabhängig vom Modell |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | Verfügbar in mehreren Produkten, darunter Supermemory und AgentCore |
| Hooks und Plugins | NativPlugins für Claude, Codex, Cursor und Hermes sowie Hooks, die Duplex bei jedem Schritt einbinden und sensible Werkzeugaktionen prüfen | SDK- und MCP-Integrationen |
| Deine Cloud oder selbst gehostet | Vareon Cloud, deine Cloud oder keine Cloud: private Cloud, dein eigenes Konto, selbst gehostet oder vom Netz getrennt | Anbieterspezifisch; es gibt Open-Source- und verwaltete Optionen |
| Keine Cloud: vom Netz getrennt | Gebaut für Umgebungen, aus denen nichts hinausgehen darf, mit lokalen Modellen, lokalen Abhängigkeiten und deinem eigenen Identitätsanbieter | Hängt von der Plattform ab |
| Kosten, Tempo und Passung | ||
| Wie es Modellkosten senkt | Duplex beantwortet bekannte Arbeit selbst, ohne wiederholten Aufruf eines Spitzenmodells | Besserer Kontext senkt Wiederholungen, bringt aber zusätzliches Retrieval und ruft weiterhin das Modell auf |
| Wie es die Latenz senkt | Entscheidungen, bei denen es sicher ist, kommen schnell zurück; unsichere Arbeit geht weiterhin an dein Spitzenmodell | Schnelleres Retrieval und kleinerer Kontext |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | JaGespeicherter Kontext hängt nicht vom Modell ab |
| 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 | Apps, die vor allem dauerhaften, relevanten Kontext zu Nutzern oder zum Geschäft 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 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.