Duplex y Letta,
lado a lado.
Letta construye agentes con estado en torno a la memoria persistente y las habilidades aprendidas. Duplex es una segunda inteligencia junto a tu IA: aprende de cada resultado y, en ejecución, actúa en consecuencia, dentro de tus reglas, uses el modelo que uses.
Comparación actualizada a 16 de octubre de 2026.
Todas las capacidades: Duplex y Letta.
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 | Letta |
|---|---|---|
| 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 |
| Lo que lleva consigo | Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido | Memoria de agentes, conversaciones, archivos y habilidades |
| 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 |
| 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 |
| Aprendizaje | ||
| Aprendizaje continuo sin reentrenamiento | NativoSigue aprendiendo, fuera de los pesos de tu modelo | NativoAprendizaje en el espacio de tokens y de habilidades |
| 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 |
| Aprender de las correcciones | NativoUna corrección cambia lo que Duplex hace después | Las correcciones pueden actualizar la memoria o alimentar habilidades aprendidas |
| 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 |
| Aprender de las recompensas | NativoUna recompensa refuerza lo que funcionó y corrige lo que no | Las recompensas no son su principal forma de aprender |
| 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 |
| 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 |
| 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 |
| Mejores elecciones de acción | NativoLos resultados mejoran qué acción elige después | El comportamiento mejora con la memoria y las habilidades |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Para cada equipo | NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado | Repositorios de memoria compartidos y habilidades |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Comprobantes que puedes verificar | Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar | Recuerdos y habilidades versionados |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 | Un mejor contexto y mejores habilidades mejoran los resultados, 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 | Un contexto mejor organizado puede reducir el razonamiento desperdiciado |
| 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 |
| Requiere ajuste fino | NoEl ajuste fino pasa a ser una mejora opcional | 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 |
Las demás comparaciones.
- Duplex y CopilotKit CLiFFlujos de trabajo reales, convertidos en 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.