Duplex y CopilotKit CLiF,
lado a lado.
CopilotKit CLiF convierte flujos de trabajo reales de usuarios en habilidades revisadas, evaluaciones y datos de entrenamiento. Duplex aprende de cada resultado mientras se hace el trabajo, y actúa según lo que aprendió, dentro de tus reglas.
Comparación actualizada a 16 de octubre de 2026.
Todas las capacidades: Duplex y CopilotKit CLiF.
Lo que hace cada uno, grupo a grupo, desde qué es hasta cuánto cuesta.
- 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.
| Capacidad | Duplex | CopilotKit CLiF |
|---|---|---|
| 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 | Un pipeline full-stack que convierte trayectorias en habilidades, evaluaciones y datos de entrenamiento |
| Lo que lleva consigo | Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido | Hilos, trayectorias, hallazgos, habilidades y evaluaciones |
| Qué mejora con la experiencia | Sus próximas decisiones: confianza, enrutamiento, recomendaciones, uso de herramientas y conocimiento reutilizable | Las instrucciones del agente, mediante habilidades revisadas sacadas de flujos de trabajo reales |
| Saber qué pasó, y aprender de ello | NativoSabe qué pasó, y aprende qué cambiar después | El aprendizaje se genera a partir de trayectorias almacenadas |
| Aprendizaje | ||
| Aprendizaje continuo sin reentrenamiento | NativoSigue aprendiendo, fuera de los pesos de tu modelo | NativoAprendizaje de habilidades; los datos para ajuste fino son opcionales |
| Adaptación turno a turno | NativoCada resultado nuevo puede cambiar al momento la siguiente decisión | El análisis se lanza a mano o de forma programada |
| Aprender de las correcciones | NativoUna corrección cambia lo que Duplex hace después | Los cambios de los usuarios y las acciones de la app alimentan su aprendizaje |
| Aprender de los resultados | NativoEl éxito y el fracaso vuelven directamente a lo que aprende | Los resultados de todo el stack se convierten en hallazgos, habilidades, evaluaciones y datos de entrenamiento |
| Aprender de las recompensas | NativoUna recompensa refuerza lo que funcionó y corrige lo que no | Puede generar datos para ajuste fino a partir de trayectorias evaluadas |
| Mérito para los pasos que llevan a un resultado | NativoAverigua qué acciones anteriores llevaron a un resultado posterior | Analizar trayectorias puede sacar a la luz patrones útiles de flujo de trabajo |
| Cómo las acciones hacen avanzar el trabajo | NativoAprende cómo cada acción lleva el trabajo de un estado al siguiente | Puede convertir flujos de trabajo en habilidades |
| Predecir qué hará una acción | NativoA partir de lo que observa, predice qué hará una acción, prueba alternativas y planifica | ExternoQueda en manos del framework de agentes |
| Mejores elecciones de acción | NativoLos resultados mejoran qué acción elige después | Las habilidades revisadas mejoran las siguientes instrucciones del agente |
| Habilidades reutilizables | NativoLa experiencia se convierte en habilidades que se prueban antes de usarse, y que se pueden pausar, recuperar o retirar | NativoLas trayectorias se convierten en habilidades revisadas, respaldadas por evidencias |
| Probar y gestionar habilidades | Una habilidad se prueba antes de confiar en ella, y se puede pausar, recuperar, retirar o eliminar para siempre | Se publican tras una revisión humana, y se entregan en una versión fijada |
| Generalizar a casos relacionados | Lleva lo que aprendió a casos relacionados y a formulaciones nuevas, y a habilidades que puede reutilizar | Las habilidades capturan patrones de muchas trayectorias de producción |
| Decidir y actuar | ||
| Saber cuánta certeza tiene | NativoAntes de cada decisión, sabe cuán conocido es el caso y cuánta certeza tiene | Guiado por la evaluación, no por una medida en vivo de la certeza |
| Responder, traspasar o rechazar | NativoDuplex responde por sí mismo, llama a tu modelo, usa una herramienta o rechaza, dentro de tus reglas | ExternoEl agente anfitrión decide cómo actuar |
| 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 leyendo la habilidad aprendida |
| Traspasar lo nuevo o incierto | El trabajo nuevo, incierto o delicado va al modelo, la herramienta o la persona adecuados | ExternoTarea del agente anfitrión |
| Planificación, simulación y recomendaciones | NativoPredice lo que pasa después, prueba alternativas, crea planes y recomienda acciones | ExternoTarea del agente anfitrión |
| 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 | Funciona con los frameworks de agentes compatibles |
| Aprender qué herramientas funcionan | Aprende qué herramientas funcionan, cuándo usarlas y a qué lleva cada una | Las trayectorias full-stack capturan acciones de herramientas y de usuarios para nuevas habilidades |
| Acciones con herramientas dentro de tus reglas | Las herramientas solo se ejecutan a través de tus reglas y permisos | Lo controla el framework de agentes anfitrión |
| Streaming | Transmite en directo la salida de modelos y herramientas, y cada paso sigue dentro de tus reglas | Disponible a través de los frameworks de agentes compatibles |
| Trabajo que continúa | ||
| Aprender de cada paso, automáticamente | Cada paso, mediante MCP + hooks o los plugins, alimenta un único ciclo de aprendizaje compartido | AG-UI captura las acciones de agentes y usuarios como trayectorias full-stack |
| Contexto entre sesiones | NativoEl trabajo, las decisiones, las tareas y el contexto que importa continúan entre sesiones | Los hilos duraderos guardan las interacciones de la app |
| 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 hilos duraderos guardan el historial de interacciones |
| Entre modelos | NativoLo que aprende y tu contexto quedan fuera del modelo, y siguen al trabajo entre proveedores | Sólido: las habilidades se pueden entregar en los stacks de agentes compatibles |
| Entre apps y agentes | El mismo trabajo continúa en Claude, Codex, Cursor, Hermes y tus propios agentes | Las habilidades se pueden entregar mediante adaptadores para frameworks compatibles |
| Traspasar trabajo a otro agente | Una tarea y su contexto pasan a otro agente que permitas, listos para continuar | Las trayectorias compartidas y las habilidades publicadas mantienen un comportamiento coherente |
| Mantener el contexto compacto | El contexto se mantiene compacto, centrado en las reglas, tareas y decisiones que importan | Las trayectorias se destilan en hallazgos y habilidades |
| Aprender de imágenes, audio, vídeo y PDF | Aprende de imágenes, audio, vídeo y PDF, igual que del texto | Depende de los eventos de la app capturados y del stack del agente |
| 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 | Fuera del enfoque principal de CLiF |
| Personas, equipos y uso compartido | ||
| Para cada persona | NativoCada persona tiene su propio contexto privado, sus preferencias y su aprendizaje | Posible mediante hilos de la app y contenedores de aprendizaje |
| Para cada equipo | NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado | Las habilidades publicadas difunden el aprendizaje del equipo |
| En toda la organización | NativoLo que funciona puede pasar de una persona al equipo y a la organización, bajo tus reglas | Las habilidades revisadas se pueden difundir entre los agentes compatibles |
| Compartir entre personas, bajo control | Tú eliges qué se comparte y con quién, y puedes retirarlo; todo lo compartido muestra de quién viene | Permisos de proyecto y de despliegue |
| Protección del contenido compartido | Lo que alguien comparte llega como información, nunca como instrucciones, así que no puede dirigir el agente de otra persona | Las políticas del desarrollador y las restricciones de herramientas están por encima de las habilidades |
| Control y confianza | ||
| Tus reglas | Tus reglas forman parte de cómo funciona Duplex: permiten, rechazan o limitan acciones reales | Las habilidades aprendidas no pueden saltarse las reglas de seguridad de los desarrolladores ni las restricciones de herramientas |
| Reglas aplicadas antes de cada acción | NativoLos hooks comprueban cada acción con tus reglas antes de que se ejecute | Queda en manos de la app anfitriona y del framework de agentes |
| Personas en el proceso | Una persona confirma las acciones que elijas, y lo que aprende Duplex se puede revisar y deshacer | Una revisión rigurosa antes de publicar las habilidades aprendidas |
| 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 | Hallazgos respaldados por evidencias, y las trayectorias de las que salen |
| Comprobantes que puedes verificar | Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar | Enlaces a evidencias y revisiones exactas de habilidades |
| Deshacer lo aprendido, con exactitud | NativoUn cambio aprendido se puede deshacer con exactitud, sin reentrenar nada | Las habilidades publicadas se pueden revisar o retirar |
| 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 | Implica eliminar los hallazgos, las habilidades y los activos derivados afectados |
| Mantener separados a los clientes | Cada usuario, equipo, organización y cliente se mantiene separado, en cada integración y en todo lo que comparte | Aislamiento por proyecto y despliegue |
| De dónde viene todo lo aprendido | De todo lo que aprendió, puedes ver su origen, su alcance y hasta qué punto es fiable | Los hallazgos y las habilidades siguen vinculados a las trayectorias de las que salen |
| Dónde se ejecuta y se conecta | ||
| Cualquier proveedor de modelos | Una sola inteligencia para OpenAI, Anthropic, Google, AWS y modelos compatibles | Funciona con los frameworks de agentes y modelos compatibles |
| MCP | NativoMediante MCP + hooks, Duplex se suma a cada paso que dan tus agentes | Las habilidades pueden llegar a agentes y servidores MCP mediante integraciones |
| 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 | AG-UI y adaptadores para frameworks |
| Tu nube, o autoalojado | Vareon cloud, tu nube o sin nube: nube privada, tu propia cuenta, autoalojado o aislado de la red | Inteligencia alojada en la nube y autoalojada |
| 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 |
| 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 | Unas habilidades mejores reducen los fallos y el retrabajo, pero el modelo sigue ejecutándose |
| Cómo reduce la latencia | Las decisiones de las que está seguro vuelven rápido; el trabajo incierto sigue yendo a tu modelo de frontera | Las habilidades hacen la ejecución más directa |
| Sobrevive a una actualización del modelo | SíEl aprendizaje, el contexto, las tareas y las reglas quedan fuera de cualquier modelo concreto | SíLas habilidades y las trayectorias quedan fuera de los pesos del modelo |
| Requiere ajuste fino | NoEl ajuste fino pasa a ser una mejora opcional | NoNo para las habilidades; CLiF también puede generar datos para ajuste fino |
| 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 de producto que convierten flujos de trabajo reales de usuarios en habilidades revisadas, evaluaciones y activos de entrenamiento |
Las demás comparaciones.
- Duplex y LettaAgentes con estado, con memoria y habilidades
- Duplex y Deeplake HivemindMemoria compartida para agentes de programación
- Duplex y plataformas de memoriaMem0, Zep, AgentCore Memory, Supermemory
- Duplex y ajuste finoAjuste fino y ajuste fino por refuerzo
- Duplex y Gateways de IAPortkey, LiteLLM y similares
- La comparación completaDuplex junto a los seis, lado a lado
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.