Duplex et Passerelles d’IA,
côte à côte.
Portkey, LiteLLM et les passerelles similaires routent le trafic, appliquent des garde-fous et gèrent les fournisseurs. Duplex apprend quelles décisions marchent, et agit en conséquence, conformément à vos règles, à chaque étape du travail.
Comparatif à jour au 16 octobre 2026.
Toutes les capacités : Duplex et Passerelles d’IA.
Ce que fait chacun, groupe par groupe, de ce qu’il est à ce qu’il coûte.
- Natif
- Intégré au fonctionnement même du produit.
- Externe
- Vous le fournissez, ou l’assemblez, à part.
- Non natif
- La documentation du produit ne l’indique pas comme fonction intégrée. Un développement sur mesure reste peut-être possible.
| Capacité | Duplex | Passerelles d’IAPortkey, LiteLLM et similaires |
|---|---|---|
| Ce qu’est chacun | ||
| Ce que c’est | Une intelligence d’exécution aux côtés de votre IA : elle apprend et agit pour vos agents et vos assistants, conformément à vos règles | Routage de modèles, fiabilité, garde-fous et observabilité |
| Ce qu’il fait suivre | Contexte, décisions, issues, règles, tâches, compétences et ce qu’il a appris | Configuration, journaux, politiques de routage et caches |
| Ce qui s’améliore avec l’expérience | Ses prochaines décisions : certitude, routage, recommandations, usage des outils et connaissances réutilisables | Le routage et la fiabilité des requêtes, pas ce que l’agent a appris |
| Savoir ce qui s’est passé, et en apprendre | NatifIl sait ce qui s’est passé, et apprend ce qu’il faut changer ensuite | Un contrôle opérationnel sans apprentissage continu |
| Apprentissage | ||
| Apprentissage continu sans réentraînement | NatifIl continue d’apprendre, hors des poids de votre modèle | Non natif |
| Adaptation tour par tour | NatifChaque nouveau résultat peut changer aussitôt la décision suivante | Le routage change aussitôt, mais pas d’après des issues apprises |
| Apprendre des corrections | NatifUne correction change ce que Duplex fait ensuite | Généralement journalisées ; l’apprentissage qui en découle est externe |
| Apprendre des issues | NatifSuccès et échecs alimentent directement ce qu’il apprend | Les issues apparaissent dans la télémétrie ; l’apprentissage qui en découle est externe |
| Apprendre des récompenses | NatifUne récompense renforce ce qui a marché et corrige ce qui n’a pas marché | Non natif |
| Le mérite des étapes à l’origine d’un résultat | NatifIl détermine quelles actions antérieures ont mené à un résultat ultérieur | Non natif |
| Comment les actions font avancer le travail | NatifIl apprend comment chaque action fait passer le travail d’un état au suivant | Non natif |
| Prédire ce que fera une action | NatifÀ partir de ce qu’il observe, il prédit ce que fera une action, essaie des alternatives et planifie | Non natif |
| De meilleurs choix d’action | NatifLes issues améliorent l’action qu’il choisit ensuite | Les politiques de routage sont configurées, pas apprises des issues |
| Compétences réutilisables | NatifL’expérience devient des compétences testées avant usage, qui peuvent être mises en pause, rétablies ou retirées | Non natif |
| Tester et gérer les compétences | Une compétence est testée avant qu’on s’y fie, et peut être mise en pause, rétablie, retirée ou supprimée définitivement | Des versions de configuration, pas un cycle de vie pour des compétences apprises |
| Généraliser aux cas voisins | Il étend ce qu’il a appris aux cas voisins et aux nouvelles formulations, et le transpose en compétences qu’il peut réutiliser | Les caches sémantiques rapprochent les requêtes similaires, mais n’apprennent pas comment agir |
| Décider et agir | ||
| Connaître son degré de certitude | NatifAvant chaque décision, il sait à quel point le cas est connu et quel est son degré de certitude | Santé des fournisseurs, routage et scores de garde-fous, pas une certitude sur la tâche |
| Répondre, passer la main ou refuser | NatifDuplex répond lui-même, appelle votre modèle, utilise un outil ou refuse, conformément à vos règles | Router, réessayer, bloquer ou basculer, sans apprendre des issues |
| Traiter lui-même le travail connu | NatifIl prend lui-même les décisions connues, sans nouvel appel à un modèle de pointe | Un cache peut éviter un appel au modèle, mais un cache n’apprend pas des issues |
| Passer la main sur ce qui est nouveau ou incertain | Le travail nouveau, incertain ou sensible va au bon modèle, au bon outil ou à la bonne personne | Routage et bascule solides entre fournisseurs ; la certitude sur la tâche reste externe |
| Planification, simulation et recommandations | NatifIl prédit la suite, essaie des alternatives, construit des plans et recommande des actions | Non natif |
| De nombreux agents, qui travaillent ensemble | Il envoie le travail au bon agent, le répartit conformément à vos règles, garde chaque agent dans son périmètre et réunit les résultats | Certaines routent vers des agents et des outils MCP, mais n’apprennent pas quelle collaboration a marché |
| Apprendre quels outils marchent | Il apprend quels outils marchent, quand les utiliser et à quoi chacun mène | Elles exposent et routent les outils, mais n’apprennent généralement pas de leurs issues |
| Actions d’outils conformes à vos règles | Les outils ne s’exécutent que selon vos règles et vos permissions | Routage et garde-fous solides ; le contrôle des actions des agents dépend de l’intégration |
| Streaming | Il diffuse en streaming la sortie du modèle et des outils, chaque étape restant conforme à vos règles | NatifStreaming solide |
| Un travail qui se poursuit | ||
| Apprendre de chaque étape, automatiquement | Chaque étape, via MCP + hooks ou les plugins, nourrit une seule boucle d’apprentissage partagée | Requêtes, réponses, coût et latence sont journalisés |
| Le contexte d’une session à l’autre | NatifLe travail, les décisions, les tâches et le contexte qui compte se poursuivent d’une session à l’autre | ExterneEn général |
| Travail de longue durée | NatifLe travail long reste ouvert d’une session et d’un agent à l’autre, avec des points de reprise où revenir, jusqu’à ce qu’il soit terminé ou oublié | Non natif |
| D’un modèle à l’autre | NatifCe qu’il apprend et votre contexte restent hors du modèle, et suivent le travail d’un fournisseur à l’autre | Solide pour le routage, mais rien d’appris ne se transmet |
| D’une app et d’un agent à l’autre | Le même travail se poursuit dans Claude, Codex, Cursor, Hermes et vos propres agents | Les requêtes peuvent passer par une même passerelle, mais ce que sait chaque app reste externe |
| Confier le travail à un autre agent | Une tâche et son contexte passent à un autre agent que vous autorisez, prêts à continuer | Un routage vers des agents et MCP peut exister ; ce que signifie la tâche reste externe |
| Garder le contexte compact | Le contexte reste compact, centré sur les règles, tâches et décisions qui comptent | Troncature ou mise en cache du prompt, pas un résumé durable de ce qui compte |
| Apprendre des images, de l’audio, de la vidéo et des PDF | Il apprend des images, de l’audio, de la vidéo et des PDF, comme du texte | Transmet surtout les médias pris en charge aux fournisseurs |
| D’un média à l’autre | Une question en mots peut s’appuyer sur ce qui a été appris d’images, d’audio et de vidéo, et les médias peuvent orienter des décisions ultérieures | Non natif |
| Personnes, équipes et partage | ||
| Pour chaque personne | NatifChaque personne a son propre contexte privé, ses préférences et son apprentissage | Clés et budgets par utilisateur ; le comportement personnel est externe |
| Pour chaque équipe | NatifLes équipes partagent l’apprentissage approuvé, et le travail privé reste privé | Configuration et budgets par équipe |
| Dans toute l’organisation | NatifCe qui marche peut passer d’une personne à l’équipe et à l’organisation, selon vos règles | Routage et garde-fous dans toute l’organisation, sans apprendre des issues |
| Partager entre personnes, sous contrôle | Vous choisissez ce qui est partagé et avec qui, et pouvez le retirer ; tout ce qui est partagé indique de qui il vient | Contrôles par clé, équipe et rôle |
| Protection des contenus partagés | Ce que quelqu’un partage arrive comme information, jamais comme instruction, et ne peut donc pas piloter l’agent d’une autre personne | Les garde-fous peuvent inspecter les entrées partagées, mais la confiance dans ce qu’elles signifient reste externe |
| Contrôle et confiance | ||
| Vos règles | Vos règles font partie du fonctionnement de Duplex : elles autorisent, refusent ou limitent des actions réelles | Garde-fous solides en entrée et en sortie, et politiques de routage |
| Des règles appliquées avant chaque action | NatifLes hooks vérifient chaque action au regard de vos règles avant son exécution | Solide pour les requêtes et les réponses qui passent par la passerelle |
| Des personnes dans la boucle | Une personne confirme les actions que vous choisissez, et ce que Duplex apprend peut être examiné et annulé | Les workflows d’approbation varient selon la passerelle |
| Un historique vérifiable | Un historique de chaque décision, de son origine et de ce qu’il en est advenu, qui ne peut pas être modifié en silence | Journaux solides des requêtes, réponses, coûts et politiques |
| Des reçus vérifiables | Les décisions, les compétences et les suppressions peuvent s’accompagner de reçus vérifiables | Journaux et résultats de garde-fous, pas des reçus de ce qui a été appris |
| Annuler exactement ce qui a été appris | NatifUn changement appris peut être annulé exactement, sans rien réentraîner | La configuration et les entrées de cache peuvent être supprimées ; il n’y a rien d’appris à inverser |
| Un oubli qui atteint tout ce qui est bâti dessus | Supprimer quelque chose supprime aussi ce qui en est issu : le contexte, tout ce qui en a été partagé et l’apprentissage lié | Les journaux et les caches suivent leur propre durée de conservation |
| Garder les clients séparés | Chaque utilisateur, équipe, organisation et client reste séparé, dans chaque intégration et dans tout ce qu’il partage | Isolation mature par clé, équipe, budget et rôle |
| D’où vient tout ce qui a été appris | Pour tout ce qu’il a appris, vous voyez sa source, sa portée et jusqu’où on peut s’y fier | Lignage des requêtes et des fournisseurs |
| Où il tourne et se connecte | ||
| Tout fournisseur de modèle | Une seule intelligence pour OpenAI, Anthropic, Google, AWS et les modèles compatibles | NatifL’abstraction des fournisseurs est ce que la catégorie fait de mieux |
| MCP | NatifVia MCP + hooks, Duplex prend part à chaque étape de vos agents | De plus en plus natif |
| Hooks et plugins | NatifDes plugins pour Claude, Codex, Cursor et Hermes, et des hooks qui font intervenir Duplex à chaque étape et vérifient les actions d’outils sensibles | Intégration via SDK et proxy, pas des hooks qui apprennent des sessions des agents |
| Votre cloud, ou auto-hébergé | Vareon cloud, votre cloud ou sans cloud : cloud privé, votre propre compte, auto-hébergé ou isolé du réseau | Les options hébergées et auto-hébergées varient selon la passerelle |
| Sans cloud : isolé du réseau | Conçu pour les déploiements d’où rien ne doit sortir, avec des modèles locaux, des dépendances locales et votre propre fournisseur d’identité | Disponible avec des passerelles auto-hébergées et des fournisseurs locaux |
| Coût, vitesse et adéquation | ||
| Comment il réduit le coût des modèles | Duplex traite lui-même le travail connu, sans appel répété à un modèle de pointe | Mise en cache, modèles moins chers, traitement par lots et choix du fournisseur |
| Comment il réduit la latence | Les décisions dont il est sûr reviennent vite ; le travail incertain va toujours à votre modèle de pointe | Mise en cache, répartition de charge et choix du fournisseur |
| Survit à une mise à niveau du modèle | OuiL’apprentissage, le contexte, les tâches et les règles restent hors de tout modèle particulier | La configuration du routage survit, mais aucun comportement appris n’est conservé |
| Fine-tuning nécessaire | NonLe fine-tuning devient une étape supplémentaire facultative | Non |
| Idéal pour | Les organisations qui ont besoin que leurs agents d’IA apprennent, agissent selon des règles, fassent avancer le travail et s’améliorent d’un modèle à l’autre, comme un seul système | Les équipes qui ont surtout besoin d’abstraction des fournisseurs, de fiabilité, de garde-fous et de maîtrise des coûts |
Les autres comparatifs.
- Duplex et LettaAgents avec état, dotés de mémoire et de compétences
- Duplex et CopilotKit CLiFDe vrais workflows, transformés en compétences
- Duplex et Deeplake HivemindUne mémoire partagée pour les agents de codage
- Duplex et plateformes de mémoireMem0, Zep, AgentCore Memory, Supermemory
- Duplex et fine-tuningFine-tuning et reinforcement fine-tuning
- Le comparatif completDuplex à côté des six, côte à côte
Voyez Duplex sur votre propre travail.
Comparez là où ça compte : un pilote applique Duplex à votre propre travail, avec des indicateurs convenus avant son lancement.