Duplex y plataformas de memoria,
lado a lado.

Mem0, Zep, AgentCore Memory y Supermemory guardan hechos, mensajes y episodios para la próxima llamada al modelo. Duplex aprende de la experiencia: entiende el patrón, predice lo que viene después y actúa en consecuencia.

Comparación actualizada a 16 de octubre de 2026.

Ver todas las capacidades →La comparación completa

Todas las capacidades: Duplex y plataformas de memoria.

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	Plataformas de memoriaMem0, Zep, AgentCore Memory y Supermemory
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	Contexto persistente, hechos, episodios y grafos de conocimiento
Lo que lleva consigo	Contexto, decisiones, resultados, reglas, tareas, habilidades y lo que ha aprendido	Hechos, mensajes, resúmenes, episodios y relaciones de grafo
Qué mejora con la experiencia	Sus próximas decisiones: confianza, enrutamiento, recomendaciones, uso de herramientas y conocimiento reutilizable	Sobre todo el contexto que se da a la próxima llamada al modelo
Saber qué pasó, y aprender de ello	NativoSabe qué pasó, y aprende qué cambiar después	Sobre todo memoria; hasta dónde aprende depende del proveedor
Aprendizaje
Aprendizaje continuo sin reentrenamiento	NativoSigue aprendiendo, fuera de los pesos de tu modelo	Mejora a través del contexto; su alcance varía según la plataforma
Adaptación turno a turno	NativoCada resultado nuevo puede cambiar al momento la siguiente decisión	Se pueden añadir recuerdos de forma continua, pero recuperarlos no es adaptarse
Aprender de las correcciones	NativoUna corrección cambia lo que Duplex hace después	Las correcciones pueden almacenarse y recuperarse como contexto
Aprender de los resultados	NativoEl éxito y el fracaso vuelven directamente a lo que aprende	Los episodios se pueden recuperar, pero aprender de los resultados suele ser externo
Aprender de las recompensas	NativoUna recompensa refuerza lo que funcionó y corrige lo que no	Las recompensas no son una función estándar de la memoria
Mérito para los pasos que llevan a un resultado	NativoAverigua qué acciones anteriores llevaron a un resultado posterior	No nativo
Cómo las acciones hacen avanzar el trabajo	NativoAprende cómo cada acción lleva el trabajo de un estado al siguiente	Los episodios almacenados pueden servir de ejemplo
Predecir qué hará una acción	NativoA partir de lo que observa, predice qué hará una acción, prueba alternativas y planifica	No nativo
Mejores elecciones de acción	NativoLos resultados mejoran qué acción elige después	El contexto recuperado puede influir en el comportamiento de forma indirecta
Habilidades reutilizables	NativoLa experiencia se convierte en habilidades que se prueban antes de usarse, y que se pueden pausar, recuperar o retirar	Depende del proveedor; en general, la categoría no gira en torno a esto
Probar y gestionar habilidades	Una habilidad se prueba antes de confiar en ella, y se puede pausar, recuperar, retirar o eliminar para siempre	Normalmente, un ciclo de vida por registro, no por habilidad
Generalizar a casos relacionados	Lleva lo que aprendió a casos relacionados y a formulaciones nuevas, y a habilidades que puede reutilizar	La recuperación semántica encuentra información relacionada, que no es lo mismo que generalizar el comportamiento
Decidir y actuar
Saber cuánta certeza tiene	NativoAntes de cada decisión, sabe cuán conocido es el caso y cuánta certeza tiene	Puntuaciones de recuperación y señales de relevancia
Responder, traspasar o rechazar	NativoDuplex responde por sí mismo, llama a tu modelo, usa una herramienta o rechaza, dentro de tus reglas	ExternoLa aplicación anfitriona 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 normalmente lee el contexto recuperado
Traspasar lo nuevo o incierto	El trabajo nuevo, incierto o delicado va al modelo, la herramienta o la persona adecuados	ExternoTarea de la aplicación
Planificación, simulación y recomendaciones	NativoPredice lo que pasa después, prueba alternativas, crea planes y recomienda acciones	La memoria aporta contexto; la planificación sigue siendo externa
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	La memoria compartida puede servir a varios agentes
Aprender qué herramientas funcionan	Aprende qué herramientas funcionan, cuándo usarlas y a qué lleva cada una	Los resultados de las herramientas se pueden recordar
Acciones con herramientas dentro de tus reglas	Las herramientas solo se ejecutan a través de tus reglas y permisos	ExternoQueda en manos de la aplicación en los sistemas solo de memoria
Streaming	Transmite en directo la salida de modelos y herramientas, y cada paso sigue dentro de tus reglas	Depende del proveedor
Trabajo que continúa
Aprender de cada paso, automáticamente	Cada paso, mediante MCP + hooks o los plugins, alimenta un único ciclo de aprendizaje compartido	Las integraciones con SDK o con entornos de agentes capturan mensajes y eventos
Contexto entre sesiones	NativoEl trabajo, las decisiones, las tareas y el contexto que importa continúan entre sesiones	NativoLa categoría gira precisamente en torno a esto
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	El contexto se puede recuperar, pero gestionar el estado de las tareas es externo
Entre modelos	NativoLo que aprende y tu contexto quedan fuera del modelo, y siguen al trabajo entre proveedores	En general sólido, porque la memoria no depende del modelo
Entre apps y agentes	El mismo trabajo continúa en Claude, Codex, Cursor, Hermes y tus propios agentes	Posible cuando las apps comparten la misma identidad de memoria
Traspasar trabajo a otro agente	Una tarea y su contexto pasan a otro agente que permitas, listos para continuar	Otro agente autorizado puede recuperar el contexto compartido
Mantener el contexto compacto	El contexto se mantiene compacto, centrado en las reglas, tareas y decisiones que importan	Resúmenes, recuerdos extraídos y registros episódicos
Aprender de imágenes, audio, vídeo y PDF	Aprende de imágenes, audio, vídeo y PDF, igual que del texto	Depende del proveedor y del modelo
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	Disponible en productos que indexan algo más que texto
Personas, equipos y uso compartido
Para cada persona	NativoCada persona tiene su propio contexto privado, sus preferencias y su aprendizaje	Memoria sólida por usuario o por actor
Para cada equipo	NativoLos equipos comparten el aprendizaje aprobado, y el trabajo privado sigue siendo privado	Disponible mediante espacios de nombres, grafos o almacenes compartidos
En toda la organización	NativoLo que funciona puede pasar de una persona al equipo y a la organización, bajo tus reglas	Es posible una memoria compartida de 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	Espacios de nombres, IAM o permisos de grafo, según el proveedor
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 de la app y del proveedor
Control y confianza
Tus reglas	Tus reglas forman parte de cómo funciona Duplex: permiten, rechazan o limitan acciones reales	El contexto puede orientar el comportamiento, pero no autoriza acciones
Reglas aplicadas antes de cada acción	NativoLos hooks comprueban cada acción con tus reglas antes de que se ejecute	La memoria aporta contexto, pero no autoriza acciones externas
Personas en el proceso	Una persona confirma las acciones que elijas, y lo que aprende Duplex se puede revisar y deshacer	Lo fija la app
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	El historial, el rastreo de origen y los controles de auditoría varían según el proveedor
Comprobantes que puedes verificar	Las decisiones, las habilidades y los borrados pueden ir acompañados de comprobantes que puedes verificar	El rastreo de origen varía según el proveedor
Deshacer lo aprendido, con exactitud	NativoUn cambio aprendido se puede deshacer con exactitud, sin reentrenar nada	Los recuerdos se pueden borrar, pero el comportamiento construido sobre ellos no se revierte con exactitud
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	Normalmente borra registros; los resúmenes derivados y las copias en otros lugares requieren un tratamiento aparte
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 usuario, actor, espacio de nombres, grafo o IAM
De dónde viene todo lo aprendido	De todo lo que aprendió, puedes ver su origen, su alcance y hasta qué punto es fiable	Sólido en productos de grafos temporales; varía en otros
Dónde se ejecuta y se conecta
Cualquier proveedor de modelos	Una sola inteligencia para OpenAI, Anthropic, Google, AWS y modelos compatibles	En general, independiente del modelo
MCP	NativoMediante MCP + hooks, Duplex se suma a cada paso que dan tus agentes	Disponible en varios productos, entre ellos Supermemory y AgentCore
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	Integraciones por SDK y MCP
Tu nube, o autoalojado	Vareon cloud, tu nube o sin nube: nube privada, tu propia cuenta, autoalojado o aislado de la red	Según el proveedor; hay opciones de código abierto y gestionadas
Sin nube: aislado de la red	Hecho para despliegues donde nada puede salir, con modelos locales, dependencias locales y tu propio proveedor de identidad	Depende de la plataforma
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 reduce la repetición, pero añade recuperación y sigue llamando al modelo
Cómo reduce la latencia	Las decisiones de las que está seguro vuelven rápido; el trabajo incierto sigue yendo a tu modelo de frontera	Recuperación más rápida y contexto más pequeño
Sobrevive a una actualización del modelo	SíEl aprendizaje, el contexto, las tareas y las reglas quedan fuera de cualquier modelo concreto	SíEl contexto almacenado no depende del modelo
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	Apps que sobre todo necesitan un contexto de usuario o de negocio duradero y relevante

Las demás comparaciones.

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

Duplex y plataformas de memoria,lado a lado.

Todas las capacidades: Duplex y plataformas de memoria.

Las demás comparaciones.

Mira Duplex en acción con tu propio trabajo.

Duplex y plataformas de memoria,
lado a lado.