Duplex et CopilotKit CLiF,
côte à côte.
CopilotKit CLiF transforme de vrais workflows d’utilisateurs en compétences examinées, en évaluations et en données d’entraînement. Duplex apprend de chaque résultat pendant que le travail se fait, et agit selon ce qu’il a appris, conformément à vos règles.
Comparatif à jour au 16 octobre 2026.
Toutes les capacités : Duplex et CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 | Un pipeline full-stack qui transforme les trajectoires en compétences, évaluations et données d’entraînement |
| Ce qu’il fait suivre | Contexte, décisions, issues, règles, tâches, compétences et ce qu’il a appris | Fils, trajectoires, enseignements, compétences et évaluations |
| Ce qui s’améliore avec l’expérience | Ses prochaines décisions : certitude, routage, recommandations, usage des outils et connaissances réutilisables | Les instructions de l’agent, via des compétences examinées, tirées de vrais workflows |
| Savoir ce qui s’est passé, et en apprendre | NatifIl sait ce qui s’est passé, et apprend ce qu’il faut changer ensuite | L’apprentissage est généré à partir de trajectoires stockées |
| Apprentissage | ||
| Apprentissage continu sans réentraînement | NatifIl continue d’apprendre, hors des poids de votre modèle | NatifApprentissage de compétences ; les données de fine-tuning sont facultatives |
| Adaptation tour par tour | NatifChaque nouveau résultat peut changer aussitôt la décision suivante | L’analyse se lance à la main ou selon un calendrier |
| Apprendre des corrections | NatifUne correction change ce que Duplex fait ensuite | Les modifications des utilisateurs et les actions de l’appli nourrissent son apprentissage |
| Apprendre des issues | NatifSuccès et échecs alimentent directement ce qu’il apprend | Les issues de toute la stack deviennent enseignements, compétences, évaluations et données d’entraînement |
| Apprendre des récompenses | NatifUne récompense renforce ce qui a marché et corrige ce qui n’a pas marché | Peut produire des données de fine-tuning à partir de trajectoires évaluées |
| Le mérite des étapes à l’origine d’un résultat | NatifIl détermine quelles actions antérieures ont mené à un résultat ultérieur | L’analyse des trajectoires peut faire émerger des schémas de workflow utiles |
| Comment les actions font avancer le travail | NatifIl apprend comment chaque action fait passer le travail d’un état au suivant | Peut transformer des workflows en compétences |
| 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 | ExterneLaissé au framework d’agents |
| De meilleurs choix d’action | NatifLes issues améliorent l’action qu’il choisit ensuite | Des compétences examinées améliorent les prochaines instructions de l’agent |
| Compétences réutilisables | NatifL’expérience devient des compétences testées avant usage, qui peuvent être mises en pause, rétablies ou retirées | NatifLes trajectoires deviennent des compétences examinées, preuves à l’appui |
| 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 | Publiées après relecture humaine, livrées dans une version figée |
| 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 compétences capturent des schémas sur de nombreuses trajectoires de production |
| 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 | Guidé par l’évaluation, pas une mesure en direct de la certitude |
| Répondre, passer la main ou refuser | NatifDuplex répond lui-même, appelle votre modèle, utilise un outil ou refuse, conformément à vos règles | ExterneL’agent hôte décide comment agir |
| Traiter lui-même le travail connu | NatifIl prend lui-même les décisions connues, sans nouvel appel à un modèle de pointe | Le modèle lit toujours la compétence apprise |
| 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 | ExterneLe rôle de l’agent hôte |
| Planification, simulation et recommandations | NatifIl prédit la suite, essaie des alternatives, construit des plans et recommande des actions | ExterneLe rôle de l’agent hôte |
| 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 | Fonctionne avec les frameworks d’agents pris en charge |
| Apprendre quels outils marchent | Il apprend quels outils marchent, quand les utiliser et à quoi chacun mène | Des trajectoires full-stack capturent les actions des outils et des utilisateurs pour de nouvelles compétences |
| Actions d’outils conformes à vos règles | Les outils ne s’exécutent que selon vos règles et vos permissions | Contrôlé par le framework de l’agent hôte |
| Streaming | Il diffuse en streaming la sortie du modèle et des outils, chaque étape restant conforme à vos règles | Disponible via les frameworks d’agents pris en charge |
| 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 | AG-UI capture les actions des agents et des utilisateurs sous forme de trajectoires full-stack |
| 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 | Des fils durables conservent les interactions de l’app |
| 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 | Des fils durables gardent l’historique des interactions |
| 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 : les compétences peuvent être livrées sur les stacks d’agents prises en charge |
| 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 compétences peuvent être livrées via les adaptateurs de frameworks pris en charge |
| Confier le travail à un autre agent | Une tâche et son contexte passent à un autre agent que vous autorisez, prêts à continuer | Des trajectoires partagées et des compétences publiées gardent un comportement cohérent |
| Garder le contexte compact | Le contexte reste compact, centré sur les règles, tâches et décisions qui comptent | Les trajectoires sont distillées en enseignements et en compétences |
| 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 | Dépend des événements de l’app capturés et de la stack de l’agent |
| 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 | Hors du champ principal de CLiF |
| Personnes, équipes et partage | ||
| Pour chaque personne | NatifChaque personne a son propre contexte privé, ses préférences et son apprentissage | Possible via les fils de l’app et des conteneurs d’apprentissage |
| Pour chaque équipe | NatifLes équipes partagent l’apprentissage approuvé, et le travail privé reste privé | Les compétences publiées diffusent l’apprentissage de l’équipe |
| Dans toute l’organisation | NatifCe qui marche peut passer d’une personne à l’équipe et à l’organisation, selon vos règles | Les compétences examinées peuvent être diffusées sur les agents pris en charge |
| 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 | Permissions par projet et par déploiement |
| 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 | La politique des développeurs et les restrictions d’outils priment sur les compétences |
| Contrôle et confiance | ||
| Vos règles | Vos règles font partie du fonctionnement de Duplex : elles autorisent, refusent ou limitent des actions réelles | Les compétences apprises ne peuvent pas passer outre les règles de sécurité du développeur ni les restrictions des outils |
| Des règles appliquées avant chaque action | NatifLes hooks vérifient chaque action au regard de vos règles avant son exécution | Reste du ressort de l’app hôte et du framework d’agents |
| Des personnes dans la boucle | Une personne confirme les actions que vous choisissez, et ce que Duplex apprend peut être examiné et annulé | Un examen solide avant la publication des compétences apprises |
| 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 | Des enseignements étayés par des preuves, et leurs trajectoires sources |
| Des reçus vérifiables | Les décisions, les compétences et les suppressions peuvent s’accompagner de reçus vérifiables | Liens vers les preuves et révisions exactes des compétences |
| Annuler exactement ce qui a été appris | NatifUn changement appris peut être annulé exactement, sans rien réentraîner | Les compétences publiées peuvent être révisées ou retirées |
| 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 | Suppose de retirer les enseignements, compétences et ressources dérivées concernés |
| Garder les clients séparés | Chaque utilisateur, équipe, organisation et client reste séparé, dans chaque intégration et dans tout ce qu’il partage | Isolation par projet et par déploiement |
| 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 | Les enseignements et les compétences restent liés aux trajectoires dont ils sont issus |
| Où il tourne et se connecte | ||
| Tout fournisseur de modèle | Une seule intelligence pour OpenAI, Anthropic, Google, AWS et les modèles compatibles | Fonctionne avec les frameworks d’agents et les modèles pris en charge |
| MCP | NatifVia MCP + hooks, Duplex prend part à chaque étape de vos agents | Les compétences peuvent atteindre des agents et des serveurs MCP via des intégrations |
| 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 | AG-UI et adaptateurs de frameworks |
| Votre cloud, ou auto-hébergé | Vareon cloud, votre cloud ou sans cloud : cloud privé, votre propre compte, auto-hébergé ou isolé du réseau | Intelligence hébergée dans le cloud et auto-hébergée |
| 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 | Possible avec une stack auto-hébergée et des dépendances locales |
| 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 | De meilleures compétences réduisent les échecs et les reprises, mais le modèle tourne toujours |
| Comment il réduit la latence | Les décisions dont il est sûr reviennent vite ; le travail incertain va toujours à votre modèle de pointe | Les compétences rendent l’exécution plus directe |
| Survit à une mise à niveau du modèle | OuiL’apprentissage, le contexte, les tâches et les règles restent hors de tout modèle particulier | OuiLes compétences et les trajectoires restent hors des poids du modèle |
| Fine-tuning nécessaire | NonLe fine-tuning devient une étape supplémentaire facultative | NonPas pour les compétences ; CLiF peut aussi produire des données de fine-tuning |
| 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 produit qui transforment de vrais workflows d’utilisateurs en compétences examinées, en évaluations et en ressources d’entraînement |
Les autres comparatifs.
- Duplex et LettaAgents avec état, dotés de mémoire et de 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
- Duplex et Passerelles d’IAPortkey, LiteLLM et similaires
- 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.