La memoria recuerda. Las habilidades codifican. El ajuste fino reentrena. Los gateways enrutan.
Duplex cierra el ciclo.

Casi toda la infraestructura de IA resuelve una parte del trabajo. Duplex reúne todas las partes en una sola inteligencia en ejecución que no deja de mejorar mientras trabaja.

Comparación actualizada a 16 de octubre de 2026.

Ver todas las capacidades →Empieza un piloto

Cada uno resuelve una parte.

Las plataformas de memoria guardan información. El aprendizaje de habilidades convierte la experiencia en instrucciones. El ajuste fino cambia los pesos del modelo. Los gateways de IA enrutan peticiones y aplican barreras de protección. Duplex lo reúne todo, y no deja de mejorar.

Las plataformas de memoria dan un pasado al agente: hechos, mensajes y episodios, recuperados para la próxima llamada al modelo.

Todas las capacidades, lado a lado.

Elige uno para ponerlo junto a Duplex, o míralos todos a la vez.

Nativo: Integrado en el funcionamiento central del producto.
Externo: Lo aportas tú, o lo montas, por separado.
No nativo: La documentación del producto no lo recoge como función integrada. Aun así, puede ser posible un desarrollo a medida.

Poner junto a Duplex:

Capacidad	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	Plataformas de memoriaMem0, Zep, AgentCore Memory y Supermemory	Ajuste fino y RFT	Gateways de IAPortkey, LiteLLM y similares
Qué es cada uno
Qué es	Una inteligencia en ejecución junto a tu IA: aprende y actúa para tus agentes y asistentes, dentro de tus reglas	Una plataforma de agentes con estado, construida en torno a la memoria persistente y al aprendizaje en el espacio de tokens	Un pipeline full-stack que convierte trayectorias en habilidades, evaluaciones y datos de entrenamiento	Memoria compartida de agentes que convierte trazas en habilidades automáticamente	Contexto persistente, hechos, episodios y grafos de conocimiento	Personalizar un modelo entrenándolo	Enrutamiento de modelos, fiabilidad, barreras de protección y observabilidad
Lo que lleva consigo	Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido	Memoria de agentes, conversaciones, archivos y habilidades	Hilos, trayectorias, hallazgos, habilidades y evaluaciones	Sesiones, recuerdos y habilidades limitados a un área de trabajo	Hechos, mensajes, resúmenes, episodios y relaciones de grafo	Un nuevo conjunto de pesos del modelo	Configuración, registros, políticas de enrutamiento y cachés
Qué mejora con la experiencia	Sus próximas decisiones: confianza, enrutamiento, recomendaciones, uso de herramientas y conocimiento reutilizable	El comportamiento futuro del agente, mediante memoria actualizada y habilidades aprendidas	Las instrucciones del agente, mediante habilidades revisadas sacadas de flujos de trabajo reales	El comportamiento de la siguiente sesión, mediante habilidades destiladas	Sobre todo el contexto que se da a la próxima llamada al modelo	Las respuestas del modelo subyacente	El enrutamiento de peticiones y la fiabilidad, no lo que ha aprendido el agente
Saber qué pasó, y aprender de ello	NativoSabe qué pasó, y aprende qué cambiar después	Están los dos, sobre todo mediante memoria y habilidades en el espacio de tokens	El aprendizaje se genera a partir de trayectorias almacenadas	La memoria compartida se convierte en habilidades reutilizables	Sobre todo memoria; hasta dónde aprende depende del proveedor	Aprendizaje sin una memoria operativa duradera	Control operativo sin aprendizaje continuo
Aprendizaje
Aprendizaje continuo sin reentrenamiento	NativoSigue aprendiendo, fuera de los pesos de tu modelo	NativoAprendizaje en el espacio de tokens y de habilidades	NativoAprendizaje de habilidades; los datos para ajuste fino son opcionales	NativoAprender habilidades a partir de trazas	Mejora a través del contexto; su alcance varía según la plataforma	NoEl entrenamiento es su forma de aprender	No nativo
Adaptación turno a turno	NativoCada resultado nuevo puede cambiar al momento la siguiente decisión	La memoria gestionada por el agente puede cambiar de forma continua; el aprendizaje de habilidades llega tras la experiencia terminada	El análisis se lanza a mano o de forma programada	Las habilidades se destilan en segundo plano o al final de una sesión	Se pueden añadir recuerdos de forma continua, pero recuperarlos no es adaptarse	Espera a que termine un trabajo de entrenamiento y se despliegue el nuevo modelo	El enrutamiento cambia al instante, pero no a partir de resultados aprendidos
Aprender de las correcciones	NativoUna corrección cambia lo que Duplex hace después	Las correcciones pueden actualizar la memoria o alimentar habilidades aprendidas	Los cambios de los usuarios y las acciones de la app alimentan su aprendizaje	Las correcciones y las trazas de sesión pueden convertirse en habilidades	Las correcciones pueden almacenarse y recuperarse como contexto	Las correcciones tienen que ir a un conjunto de datos de entrenamiento o a un pipeline de recompensas	Normalmente se registran; aprender de ellas es externo
Aprender de los resultados	NativoEl éxito y el fracaso vuelven directamente a lo que aprende	Posible mediante la reflexión sobre trayectorias y actualizaciones gestionadas por el agente	Los resultados de todo el stack se convierten en hallazgos, habilidades, evaluaciones y datos de entrenamiento	Las nuevas habilidades se extraen de sesiones terminadas	Los episodios se pueden recuperar, pero aprender de los resultados suele ser externo	NativoCuando los resultados pueden convertirse en recompensas	Los resultados aparecen en la telemetría; aprender de ellos es externo
Aprender de las recompensas	NativoUna recompensa refuerza lo que funcionó y corrige lo que no	Las recompensas no son su principal forma de aprender	Puede generar datos para ajuste fino a partir de trayectorias evaluadas	Las recompensas no son su principal forma de aprender	Las recompensas no son una función estándar de la memoria	NativoLas recompensas optimizan los pesos del modelo	No nativo
Mérito para los pasos que llevan a un resultado	NativoAverigua qué acciones anteriores llevaron a un resultado posterior	Letta no lo ofrece de forma nativa en ejecución	Analizar trayectorias puede sacar a la luz patrones útiles de flujo de trabajo	Analizar trazas puede encontrar procedimientos reutilizables	No nativo	Puede aprender correlaciones de ejemplos de entrenamiento, pero no puede rastrear un resultado en vivo hasta sus pasos	No nativo
Cómo las acciones hacen avanzar el trabajo	NativoAprende cómo cada acción lleva el trabajo de un estado al siguiente	El agente puede deducirlo del contexto	Puede convertir flujos de trabajo en habilidades	Puede capturar procedimientos exitosos como habilidades	Los episodios almacenados pueden servir de ejemplo	Puede absorber estos patrones durante el entrenamiento	No nativo
Predecir qué hará una acción	NativoA partir de lo que observa, predice qué hará una acción, prueba alternativas y planifica	El modelo razona sobre la memoria	ExternoQueda en manos del framework de agentes	No nativo	No nativo	Implícito dentro del modelo entrenado, donde no puedes editarlo	No nativo
Mejores elecciones de acción	NativoLos resultados mejoran qué acción elige después	El comportamiento mejora con la memoria y las habilidades	Las habilidades revisadas mejoran las siguientes instrucciones del agente	Las habilidades destiladas mejoran los siguientes procedimientos	El contexto recuperado puede influir en el comportamiento de forma indirecta	NativoOptimizando el modelo	Las políticas de enrutamiento se configuran, no se aprenden de los resultados
Habilidades reutilizables	NativoLa experiencia se convierte en habilidades que se prueban antes de usarse, y que se pueden pausar, recuperar o retirar	NativoLas trayectorias pueden convertirse en habilidades duraderas que funcionan con cualquier modelo	NativoLas trayectorias se convierten en habilidades revisadas, respaldadas por evidencias	NativoLas sesiones se convierten en archivos skill.md para el área de trabajo	Depende del proveedor; en general, la categoría no gira en torno a esto	El conocimiento se absorbe en los pesos, no se empaqueta como habilidades portables	No nativo
Probar y gestionar habilidades	Una habilidad se prueba antes de confiar en ella, y se puede pausar, recuperar, retirar o eliminar para siempre	Las habilidades son archivos que puedes inspeccionar, gestionar y versionar	Se publican tras una revisión humana, y se entregan en una versión fijada	Las habilidades siguen siendo archivos que puedes inspeccionar y editar, vinculados a las sesiones de las que salen	Normalmente, un ciclo de vida por registro, no por habilidad	La evaluación tiene lugar en torno al entrenamiento y el despliegue	Versiones de configuración, no un ciclo de vida para habilidades aprendidas
Generalizar a casos relacionados	Lleva lo que aprendió a casos relacionados y a formulaciones nuevas, y a habilidades que puede reutilizar	Las habilidades en el espacio de tokens generalizan procedimientos entre tareas	Las habilidades capturan patrones de muchas trayectorias de producción	Las habilidades capturan patrones que se repiten entre sesiones	La recuperación semántica encuentra información relacionada, que no es lo mismo que generalizar el comportamiento	Generaliza mediante los pesos entrenados	Las cachés semánticas emparejan peticiones parecidas, pero no aprenden cómo actuar
Decidir y actuar
Saber cuánta certeza tiene	NativoAntes de cada decisión, sabe cuán conocido es el caso y cuánta certeza tiene	Sobre todo el criterio del modelo y lo relevante que sea la memoria	Guiado por la evaluación, no por una medida en vivo de la certeza	Lo relevantes que son la recuperación y las habilidades, no una medida de certeza	Puntuaciones de recuperación y señales de relevancia	La confianza del modelo debe medirse por separado	El estado de los proveedores, el enrutamiento y las puntuaciones de las barreras de protección, no la certeza sobre la tarea
Responder, traspasar o rechazar	NativoDuplex responde por sí mismo, llama a tu modelo, usa una herramienta o rechaza, dentro de tus reglas	El agente suele continuar mediante el razonamiento del modelo	ExternoEl agente anfitrión decide cómo actuar	ExternoEl agente anfitrión decide cómo actuar	ExternoLa aplicación anfitriona decide cómo actuar	El modelo entrenado sigue ejecutándose en cada petición	Enrutar, reintentar, bloquear o recurrir a una alternativa, sin aprender de los resultados
Resolver por sí mismo el trabajo conocido	NativoToma por sí mismo las decisiones conocidas, sin otra llamada a un modelo de frontera	El modelo sigue interpretando la memoria o las habilidades	El modelo sigue leyendo la habilidad aprendida	El modelo sigue leyendo la habilidad aprendida	El modelo normalmente lee el contexto recuperado	El modelo personalizado sigue ejecutándose	Una caché puede ahorrarse una llamada al modelo, pero una caché no aprende de los resultados
Traspasar lo nuevo o incierto	El trabajo nuevo, incierto o delicado va al modelo, la herramienta o la persona adecuados	El agente y el modelo deciden cuándo hace falta más ayuda	ExternoTarea del agente anfitrión	ExternoTarea del agente anfitrión	ExternoTarea de la aplicación	ExternoTarea de la aplicación	Enrutamiento sólido y alternativas entre proveedores; la certeza sobre la tarea sigue siendo externa
Planificación, simulación y recomendaciones	NativoPredice lo que pasa después, prueba alternativas, crea planes y recomienda acciones	Sobre todo mediante el razonamiento del modelo y las herramientas del agente	ExternoTarea del agente anfitrión	ExternoTarea del agente anfitrión	La memoria aporta contexto; la planificación sigue siendo externa	El modelo puede planificar mejor, pero el estado del trabajo sigue siendo externo	No nativo
Muchos agentes, trabajando juntos	Envía el trabajo al agente adecuado, lo reparte dentro de tus reglas, mantiene a cada agente en su ámbito y reúne los resultados	Hay agentes, subagentes y memoria compartida	Funciona con los frameworks de agentes compatibles	Comparte lecciones entre los agentes conectados	La memoria compartida puede servir a varios agentes	No nativo	Algunos enrutan hacia agentes y herramientas MCP, pero no aprenden qué colaboración funcionó
Aprender qué herramientas funcionan	Aprende qué herramientas funcionan, cuándo usarlas y a qué lleva cada una	Las habilidades y la memoria pueden mejorar el uso de herramientas	Las trayectorias full-stack capturan acciones de herramientas y de usuarios para nuevas habilidades	Las trazas de herramientas pueden convertirse en procedimientos reutilizables	Los resultados de las herramientas se pueden recordar	El uso de herramientas puede mejorar con el entrenamiento	Exponen y enrutan herramientas, pero en general no aprenden de sus resultados
Acciones con herramientas dentro de tus reglas	Las herramientas solo se ejecutan a través de tus reglas y permisos	Permisos del agente y configuración de herramientas	Lo controla el framework de agentes anfitrión	Lo controla el agente de programación anfitrión	ExternoQueda en manos de la aplicación en los sistemas solo de memoria	Externo	Enrutamiento y barreras de protección sólidos; el control de las acciones del agente depende de la integración
Streaming	Transmite en directo la salida de modelos y herramientas, y cada paso sigue dentro de tus reglas	Disponible a través de las interfaces de agentes y modelos	Disponible a través de los frameworks de agentes compatibles	Depende del agente anfitrión	Depende del proveedor	Depende del proveedor del modelo	NativoStreaming sólido
Trabajo que continúa
Aprender de cada paso, automáticamente	Cada paso, mediante MCP + hooks o los plugins, alimenta un único ciclo de aprendizaje compartido	El entorno de ejecución de Letta almacena las conversaciones y acciones de los agentes	AG-UI captura las acciones de agentes y usuarios como trayectorias full-stack	Las sesiones de los agentes y la actividad de las herramientas se capturan automáticamente	Las integraciones con SDK o con entornos de agentes capturan mensajes y eventos	Hay que aportar registros o conjuntos de datos para el entrenamiento	Se registran peticiones, respuestas, coste y latencia
Contexto entre sesiones	NativoEl trabajo, las decisiones, las tareas y el contexto que importa continúan entre sesiones	NativoLos agentes persistentes conservan la memoria entre conversaciones	Los hilos duraderos guardan las interacciones de la app	NativoLa memoria compartida sobrevive a las sesiones de los agentes	NativoLa categoría gira precisamente en torno a esto	No nativo	ExternoEn general
Trabajo de larga duración	NativoEl trabajo largo sigue abierto entre sesiones y agentes, con puntos seguros a los que volver, hasta que se termina o se olvida	Los agentes persistentes pueden continuar el trabajo, con un ciclo de vida que fijan el agente y la app	Los hilos duraderos guardan el historial de interacciones	La memoria de sesión ayuda a retomar el trabajo	El contexto se puede recuperar, pero gestionar el estado de las tareas es externo	No nativo	No nativo
Entre modelos	NativoLo que aprende y tu contexto quedan fuera del modelo, y siguen al trabajo entre proveedores	Sólido: la memoria y las habilidades en el espacio de tokens pueden sobrevivir a un cambio de modelo	Sólido: las habilidades se pueden entregar en los stacks de agentes compatibles	Sólido: distintos agentes de programación pueden reutilizar las habilidades y la memoria	En general sólido, porque la memoria no depende del modelo	Débil: un nuevo modelo base suele requerir reentrenamiento o una nueva validación	Sólido para el enrutamiento, pero no se traslada nada aprendido
Entre apps y agentes	El mismo trabajo continúa en Claude, Codex, Cursor, Hermes y tus propios agentes	Los agentes con estado son accesibles a través de SDK y de MCP alojado	Las habilidades se pueden entregar mediante adaptadores para frameworks compatibles	La memoria compartida conecta Claude Code, Codex, Cursor y otros agentes	Posible cuando las apps comparten la misma identidad de memoria	No nativo	Las peticiones pueden compartir un mismo gateway, pero lo que sabe cada app sigue siendo externo
Traspasar trabajo a otro agente	Una tarea y su contexto pasan a otro agente que permitas, listos para continuar	Los agentes y repositorios compartidos pueden facilitar un traspaso	Las trayectorias compartidas y las habilidades publicadas mantienen un comportamiento coherente	Las habilidades del área de trabajo pasan lecciones entre agentes	Otro agente autorizado puede recuperar el contexto compartido	No nativo	Puede haber enrutamiento hacia agentes y MCP; lo que significa la tarea sigue siendo externo
Mantener el contexto compacto	El contexto se mantiene compacto, centrado en las reglas, tareas y decisiones que importan	Organización de la memoria, resúmenes y gestión del contexto al estilo de archivos	Las trayectorias se destilan en hallazgos y habilidades	Las sesiones se destilan en habilidades compactas	Resúmenes, recuerdos extraídos y registros episódicos	No nativo	Truncado o caché del prompt, no un resumen duradero de lo que importa
Aprender de imágenes, audio, vídeo y PDF	Aprende de imágenes, audio, vídeo y PDF, igual que del texto	Depende del modelo conectado y de las herramientas del agente	Depende de los eventos de la app capturados y del stack del agente	Centrado sobre todo en sesiones y trazas de herramientas	Depende del proveedor y del modelo	Compatible cuando el modelo y el servicio de entrenamiento aceptan ese formato	Sobre todo deja pasar a los proveedores los formatos compatibles
Entre formatos	Una pregunta en palabras puede apoyarse en lo aprendido de imágenes, audio y vídeo, y el contenido multimedia puede influir en decisiones posteriores	Depende del modelo y de cómo esté construida la memoria	Fuera del enfoque principal de CLiF	Fuera del enfoque principal de Hivemind	Disponible en productos que indexan algo más que texto	Codificado en los pesos cuando el entrenamiento lo admite	No nativo
Personas, equipos y uso compartido
Para cada persona	NativoCada persona tiene su propio contexto privado, sus preferencias y su aprendizaje	Memoria nativa por agente y por usuario	Posible mediante hilos de la app y contenedores de aprendizaje	Disponible con alcance personal o de área de trabajo	Memoria sólida por usuario o por actor	Suele requerir un modelo entrenado o adaptado aparte	Claves y presupuestos por usuario; el comportamiento personal es externo
Para cada equipo	NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado	Repositorios de memoria compartidos y habilidades	Las habilidades publicadas difunden el aprendizaje del equipo	Memoria y habilidades compartidas del área de trabajo	Disponible mediante espacios de nombres, grafos o almacenes compartidos	Suele requerir datos de entrenamiento compartidos y un modelo compartido	Configuración y presupuestos por equipo
En toda la organización	NativoLo que funciona puede pasar de una persona al equipo y a la organización, bajo tus reglas	Las habilidades y la memoria se pueden compartir en toda la organización	Las habilidades revisadas se pueden difundir entre los agentes compatibles	Las lecciones del área de trabajo pueden difundirse entre los agentes conectados	Es posible una memoria compartida de la organización	Un modelo a medida puede codificar un comportamiento común para la organización	Enrutamiento y barreras de protección en toda la organización, sin aprender de los resultados
Compartir entre personas, bajo control	Tú eliges qué se comparte y con quién, y puedes retirarlo; todo lo compartido muestra de quién viene	Repositorios compartidos y permisos de colaboración	Permisos de proyecto y de despliegue	Controles de acceso al área de trabajo	Espacios de nombres, IAM o permisos de grafo, según el proveedor	Controles de acceso para conjuntos de datos y modelos	Controles por clave, equipo y rol
Protección del contenido compartido	Lo que alguien comparte llega como información, nunca como instrucciones, así que no puede dirigir el agente de otra persona	Depende del contexto y los permisos del agente	Las políticas del desarrollador y las restricciones de herramientas están por encima de las habilidades	Depende de cómo se cargan las habilidades, y de la confianza en el área de trabajo	Depende de la app y del proveedor	Los datos de entrenamiento necesitan sus propios controles antes de entrenar	Las barreras de protección pueden inspeccionar las entradas compartidas, pero la confianza en lo que significan sigue siendo externa
Control y confianza
Tus reglas	Tus reglas forman parte de cómo funciona Duplex: permiten, rechazan o limitan acciones reales	Las instrucciones y los permisos dan forma al comportamiento del agente	Las habilidades aprendidas no pueden saltarse las reglas de seguridad de los desarrolladores ni las restricciones de herramientas	Las habilidades guían al agente, pero por sí solas no imponen nada	El contexto puede orientar el comportamiento, pero no autoriza acciones	El comportamiento lo moldea el entrenamiento, no unas reglas en vivo	Barreras de protección sólidas de entrada y salida, y políticas de enrutamiento
Reglas aplicadas antes de cada acción	NativoLos hooks comprueban cada acción con tus reglas antes de que se ejecute	Depende del entorno de ejecución de Letta, de los permisos y del anfitrión de herramientas	Queda en manos de la app anfitriona y del framework de agentes	Queda en manos del agente anfitrión	La memoria aporta contexto, pero no autoriza acciones externas	Externo	Sólido para las peticiones y respuestas que pasan por el gateway
Personas en el proceso	Una persona confirma las acciones que elijas, y lo que aprende Duplex se puede revisar y deshacer	Los usuarios pueden inspeccionar y gestionar la memoria y las habilidades	Una revisión rigurosa antes de publicar las habilidades aprendidas	Las habilidades se pueden inspeccionar y editar antes de reutilizarlas	Lo fija la app	Revisión del entrenamiento, evaluación y aprobación antes del despliegue	Los flujos de aprobación varían según el gateway
Un historial que puedes comprobar	Un historial de cada decisión, de dónde vino y qué salió de ella, que no se puede cambiar a escondidas	Conversaciones persistentes, memoria y estado del agente	Hallazgos respaldados por evidencias, y las trayectorias de las que salen	Habilidades vinculadas a sesiones, y trazas almacenadas	El historial, el rastreo de origen y los controles de auditoría varían según el proveedor	Trabajos de entrenamiento, conjuntos de datos, métricas de recompensa y versiones del modelo	Registros sólidos de peticiones, respuestas, coste y políticas
Comprobantes que puedes verificar	Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar	Recuerdos y habilidades versionados	Enlaces a evidencias y revisiones exactas de habilidades	Archivos de habilidades vinculados a sus sesiones de origen	El rastreo de origen varía según el proveedor	Evaluación del modelo e informes de entrenamiento	Registros y resultados de las barreras de protección, no comprobantes de lo aprendido
Deshacer lo aprendido, con exactitud	NativoUn cambio aprendido se puede deshacer con exactitud, sin reentrenar nada	Las habilidades y los recuerdos se pueden editar o revertir mediante versiones	Las habilidades publicadas se pueden revisar o retirar	Los archivos de habilidades se pueden editar o eliminar	Los recuerdos se pueden borrar, pero el comportamiento construido sobre ellos no se revierte con exactitud	Revertir una versión entera del modelo, o reentrenar sin la muestra	La configuración y las entradas de caché se pueden eliminar; no hay nada aprendido que revertir
Un olvido que llega a todo lo construido sobre ello	Quitar algo también quita lo que salió de ello: el contexto, todo lo compartido a partir de ello y el aprendizaje relacionado	La memoria y las habilidades se limpian mediante archivos y versiones	Implica eliminar los hallazgos, las habilidades y los activos derivados afectados	Implica eliminar las sesiones afectadas y las habilidades generadas	Normalmente borra registros; los resúmenes derivados y las copias en otros lugares requieren un tratamiento aparte	Requiere desaprendizaje automático o reentrenamiento	Los registros y las cachés siguen su propia política de retención
Mantener separados a los clientes	Cada usuario, equipo, organización y cliente se mantiene separado, en cada integración y en todo lo que comparte	Permisos en la nube y en autoalojamiento	Aislamiento por proyecto y despliegue	Memoria y habilidades limitadas a un área de trabajo	Aislamiento por usuario, actor, espacio de nombres, grafo o IAM	IAM en la nube y límites de acceso a los modelos	Aislamiento maduro por clave, equipo, presupuesto y rol
De dónde viene todo lo aprendido	De todo lo que aprendió, puedes ver su origen, su alcance y hasta qué punto es fiable	La memoria y las habilidades siguen siendo inspeccionables	Los hallazgos y las habilidades siguen vinculados a las trayectorias de las que salen	Las habilidades pueden remitir a sus sesiones de origen	Sólido en productos de grafos temporales; varía en otros	Linaje de los conjuntos de datos y metadatos de entrenamiento	Linaje de peticiones y proveedores
Dónde se ejecuta y se conecta
Cualquier proveedor de modelos	Una sola inteligencia para OpenAI, Anthropic, Google, AWS y modelos compatibles	Un entorno de agentes que funciona con cualquier modelo	Funciona con los frameworks de agentes y modelos compatibles	Funciona con varios agentes de programación y sus modelos	En general, independiente del modelo	Normalmente ligado al modelo personalizado y al proveedor de entrenamiento	NativoLa abstracción de proveedores es lo que mejor hace la categoría
MCP	NativoMediante MCP + hooks, Duplex se suma a cada paso que dan tus agentes	El MCP alojado permite que otros agentes creen agentes de Letta con estado y les envíen mensajes	Las habilidades pueden llegar a agentes y servidores MCP mediante integraciones	Se conecta con los principales agentes de programación; cómo lo hace varía según el cliente	Disponible en varios productos, entre ellos Supermemory y AgentCore	No nativo	Cada vez más nativo
Hooks y plugins	NativoPlugins para Claude, Codex, Cursor y Hermes, y hooks que incorporan Duplex en cada paso y comprueban las acciones delicadas con herramientas	Integración por SDK, CLI y entorno de ejecución de agentes	AG-UI y adaptadores para frameworks	Captura automática de las sesiones de los agentes de programación	Integraciones por SDK y MCP	La recogida de datos hay que construirla aparte	Integración por SDK y proxy, no hooks que aprendan de las sesiones de los agentes
Tu nube, o autoalojado	Vareon cloud, tu nube o sin nube: nube privada, tu propia cuenta, autoalojado o aislado de la red	Nube, y un servidor de aplicaciones autoalojado	Inteligencia alojada en la nube y autoalojada	Integración local con agentes; las opciones de despliegue varían	Según el proveedor; hay opciones de código abierto y gestionadas	Entrenamiento en la nube e inferencia alojada	Las opciones alojadas y autoalojadas varían según el gateway
Sin nube: aislado de la red	Hecho para despliegues donde nada puede salir, con modelos locales, dependencias locales y tu propio proveedor de identidad	Posible con un stack autoalojado y dependencias locales	Posible con un stack autoalojado y dependencias locales	Depende del despliegue elegido y de los servicios de modelos	Depende de la plataforma	Limitado a servicios que admiten entrenamiento e inferencia sin conexión	Disponible con gateways autoalojados y proveedores locales
Coste, velocidad y encaje
Cómo reduce el coste del modelo	Duplex resuelve él mismo el trabajo conocido, sin repetir llamadas a un modelo de frontera	Un mejor contexto y mejores habilidades mejoran los resultados, pero el modelo sigue ejecutándose	Unas habilidades mejores reducen los fallos y el retrabajo, pero el modelo sigue ejecutándose	Unas habilidades mejores reducen los errores repetidos, pero el modelo sigue ejecutándose	Un mejor contexto reduce la repetición, pero añade recuperación y sigue llamando al modelo	Un modelo personalizado más pequeño puede darte la calidad que necesitas	Caché, modelos más baratos, procesamiento por lotes y elección de proveedor
Cómo reduce la latencia	Las decisiones de las que está seguro vuelven rápido; el trabajo incierto sigue yendo a tu modelo de frontera	Un contexto mejor organizado puede reducir el razonamiento desperdiciado	Las habilidades hacen la ejecución más directa	Las habilidades acortan los descubrimientos repetidos	Recuperación más rápida y contexto más pequeño	Depende del modelo personalizado	Caché, balanceo de carga y elección de proveedor
Sobrevive a una actualización del modelo	SíEl aprendizaje, el contexto, las tareas y las reglas quedan fuera de cualquier modelo concreto	SíLa memoria y las habilidades son independientes del modelo a propósito	SíLas habilidades y las trayectorias quedan fuera de los pesos del modelo	SíLas habilidades sobreviven a un cambio de agente de programación o de modelo	SíEl contexto almacenado no depende del modelo	La personalización pertenece a un checkpoint concreto del modelo, así que no se traslada automáticamente	La configuración de enrutamiento sobrevive, pero no se conserva ningún comportamiento aprendido
Requiere ajuste fino	NoEl ajuste fino pasa a ser una mejora opcional	No	NoNo para las habilidades; CLiF también puede generar datos para ajuste fino	No	No	Sí	No
Ideal para	Organizaciones que necesitan que sus agentes de IA aprendan, actúen dentro de unas reglas, lleven el trabajo adelante y mejoren entre modelos, como un solo sistema	Equipos que construyen agentes persistentes que se mejoran a sí mismos en torno a memoria y habilidades en el espacio de tokens	Equipos de producto que convierten flujos de trabajo reales de usuarios en habilidades revisadas, evaluaciones y activos de entrenamiento	Equipos que quieren que sus agentes de programación compartan sesiones y reutilicen lecciones automáticamente	Apps que sobre todo necesitan un contexto de usuario o de negocio duradero y relevante	Tareas estables y de gran volumen en las que el propio modelo debe especializarse	Equipos que sobre todo necesitan abstracción de proveedores, fiabilidad, barreras de protección y control de costes

Un ciclo cerrado.

En Duplex, el contexto, el aprendizaje, las habilidades y tus reglas se convierten en un solo ciclo, que funciona mientras se hace el trabajo.

Duplex entiende la tarea que tiene entre manos, y recupera el contexto que importa.

Por qué importa.

Un modelo de IA puede ser inteligente sin llegar nunca a tener experiencia en tu trabajo.

Un sistema de memoria muestra al modelo lo que pasó antes, pero no decide qué debe cambiar. Un sistema de habilidades empaqueta una lección, pero el modelo aún tiene que leerla y seguirla. El ajuste fino cambia el modelo, mediante un ciclo de entrenamiento más lento y difícil de deshacer. Un gateway controla el tráfico, pero no aprende qué decisión llevó al mejor resultado.

Duplex convierte la experiencia en mejora mientras trabaja, dentro de tus reglas.

Eso construye otro tipo de activo. Cada corrección confirmada, flujo de trabajo exitoso, resultado útil de una herramienta y tarea terminada refuerza la inteligencia que rodea a tu modelo, y nada de ello queda encerrado en un único proveedor de modelos.

La conclusión.

MemoriaDa un pasado a un agente.
HabilidadesDan a un agente instrucciones reutilizables.
Ajuste finoDa a un modelo pesos distintos.
GatewaysDan a un stack de IA control del tráfico.
DuplexDa a todo el sistema de agentes la capacidad de llevar la experiencia adelante, aprender de los resultados, actuar dentro de tus reglas y mejorar entre modelos, con el tiempo.

Entre los productos y categorías analizados, Duplex es el único creado para combinar:

Contexto entre sesiones
Aprendizaje continuo a partir de los resultados
Aprender de correcciones y recompensas
Mérito para los pasos que llevan a un resultado
Aprender cómo las acciones hacen avanzar el trabajo, y predecir lo que viene después
Decisiones que saben cuánta certeza tienen
Traspasar al modelo, la herramienta o la persona adecuados
Trabajo largo que continúa
Aprendizaje para cada persona, equipo y organización
Tus reglas, aplicadas antes de cada acción
Acciones con herramientas dentro de tus reglas
Compartir entre personas, bajo control
Deshacer lo aprendido, con exactitud
Un olvido que llega a todo lo construido sobre ello
De dónde viene todo lo aprendido, con comprobantes
MCP + hooks, y plugins para los asistentes que usas
Continuidad entre modelos y apps
Tu nube, autoalojado o aislado de la red
Menos llamadas al modelo, porque el trabajo conocido se resuelve directamente

Duplex hace que tus sistemas de IA sean mejores en su trabajo con cada experiencia.

Las fuentes.

Las páginas de producto y la documentación en las que se basa esta comparación.

Comparación actualizada a 16 de octubre de 2026.

Mira Duplex en acción con tu propio trabajo.

Compáralo donde importa: un piloto pone Duplex en tu propio trabajo, con las métricas acordadas antes de empezar.

Empieza un piloto →Conoce Duplex

La memoria recuerda. Las habilidades codifican. El ajuste fino reentrena. Los gateways enrutan.
Duplex cierra el ciclo.

Cada uno resuelve una parte.

Las plataformas de memoria dan un pasado al agente: hechos, mensajes y episodios, recuperados para la próxima llamada al modelo.

El aprendizaje de habilidades da a un agente instrucciones reutilizables, sacadas del trabajo que salió bien.

El ajuste fino da a un modelo pesos distintos, entrenamiento a entrenamiento.

Los gateways de IA dan al stack control del tráfico: enrutamiento, reintentos, barreras de protección y coste.

Duplex cierra el ciclo: lleva el contexto adelante, aprende de cada corrección y cada resultado, actúa dentro de tus reglas, y permite que cualquier modelo que elijas se beneficie de lo que aprendió.

Todas las capacidades, lado a lado.

Un ciclo cerrado.

Duplex entiende la tarea que tiene entre manos, y recupera el contexto que importa.

Sabe si el caso es conocido, incierto o está cubierto por una de tus reglas.

Decide si actuar por sí mismo, llamar a un modelo, usar una herramienta o rechazar.

Aprende qué pasó, y si funcionó.

Atribuye el mérito a las decisiones y acciones que produjeron el resultado.

Cambia lo que hace después, sin esperar a un ciclo de reentrenamiento.

Lleva lo que aprendió a través de sesiones, apps, agentes y proveedores de modelos.

Puede deshacer un aprendizaje no deseado, y mostrar exactamente qué cambió.

Por qué importa.

La conclusión.

Las fuentes.

Mira Duplex en acción con tu propio trabajo.

La memoria recuerda. Las habilidades codifican. El ajuste fino reentrena. Los gateways enrutan.Duplex cierra el ciclo.

Cada uno resuelve una parte.

Las plataformas de memoria dan un pasado al agente: hechos, mensajes y episodios, recuperados para la próxima llamada al modelo.

Todas las capacidades, lado a lado.

Un ciclo cerrado.

Duplex entiende la tarea que tiene entre manos, y recupera el contexto que importa.

Por qué importa.

La conclusión.

Las fuentes.

Mira Duplex en acción con tu propio trabajo.

La memoria recuerda. Las habilidades codifican. El ajuste fino reentrena. Los gateways enrutan.
Duplex cierra el ciclo.