Duplex et Letta,
côte à côte.
Letta construit des agents avec état autour d’une mémoire persistante et de compétences apprises. Duplex est une seconde intelligence aux côtés de votre IA : il apprend de chaque résultat et agit en conséquence à l’exécution, conformément à vos règles, quel que soit le modèle que vous utilisez.
Comparatif à jour au 16 octobre 2026.
Toutes les capacités : Duplex et Letta.
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 | Letta |
|---|---|---|
| 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 | Une plateforme d’agents avec état, bâtie autour d’une mémoire persistante et d’un apprentissage dans l’espace des tokens |
| Ce qu’il fait suivre | Contexte, décisions, issues, règles, tâches, compétences et ce qu’il a appris | Mémoire d’agent, conversations, fichiers et compétences |
| Ce qui s’améliore avec l’expérience | Ses prochaines décisions : certitude, routage, recommandations, usage des outils et connaissances réutilisables | Le comportement futur de l’agent, via une mémoire mise à jour et des compétences apprises |
| Savoir ce qui s’est passé, et en apprendre | NatifIl sait ce qui s’est passé, et apprend ce qu’il faut changer ensuite | Les deux sont là, surtout via la mémoire et les compétences dans l’espace des tokens |
| Apprentissage | ||
| Apprentissage continu sans réentraînement | NatifIl continue d’apprendre, hors des poids de votre modèle | NatifApprentissage dans l’espace des tokens et apprentissage de compétences |
| Adaptation tour par tour | NatifChaque nouveau résultat peut changer aussitôt la décision suivante | La mémoire gérée par l’agent peut changer en continu ; l’apprentissage de compétences suit l’expérience achevée |
| Apprendre des corrections | NatifUne correction change ce que Duplex fait ensuite | Les corrections peuvent mettre à jour la mémoire ou alimenter des compétences apprises |
| Apprendre des issues | NatifSuccès et échecs alimentent directement ce qu’il apprend | Possible via la réflexion sur les trajectoires et des mises à jour gérées par l’agent |
| Apprendre des récompenses | NatifUne récompense renforce ce qui a marché et corrige ce qui n’a pas marché | Les récompenses ne sont pas son principal moyen d’apprendre |
| Le mérite des étapes à l’origine d’un résultat | NatifIl détermine quelles actions antérieures ont mené à un résultat ultérieur | Letta ne le propose pas nativement à l’exécution |
| Comment les actions font avancer le travail | NatifIl apprend comment chaque action fait passer le travail d’un état au suivant | L’agent peut le déduire du contexte |
| 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 | Le modèle raisonne sur la mémoire |
| De meilleurs choix d’action | NatifLes issues améliorent l’action qu’il choisit ensuite | Le comportement s’améliore via la mémoire et les compétences |
| Compétences réutilisables | NatifL’expérience devient des compétences testées avant usage, qui peuvent être mises en pause, rétablies ou retirées | NatifLes trajectoires peuvent devenir des compétences durables qui marchent avec tout modèle |
| 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 | Les compétences sont des fichiers que vous pouvez inspecter, gérer et versionner |
| 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 dans l’espace des tokens généralisent des procédures d’une tâche à l’autre |
| 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 | Surtout le jugement du modèle et la pertinence de la mémoire |
| Répondre, passer la main ou refuser | NatifDuplex répond lui-même, appelle votre modèle, utilise un outil ou refuse, conformément à vos règles | L’agent continue généralement via le raisonnement du modèle |
| Traiter lui-même le travail connu | NatifIl prend lui-même les décisions connues, sans nouvel appel à un modèle de pointe | Le modèle interprète toujours la mémoire ou les compétences |
| 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 | L’agent et le modèle décident quand il faut plus d’aide |
| Planification, simulation et recommandations | NatifIl prédit la suite, essaie des alternatives, construit des plans et recommande des actions | Surtout via le raisonnement du modèle et les outils de l’agent |
| 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 | Agents, sous-agents et mémoire partagée sont disponibles |
| Apprendre quels outils marchent | Il apprend quels outils marchent, quand les utiliser et à quoi chacun mène | Les compétences et la mémoire peuvent améliorer l’usage des outils |
| Actions d’outils conformes à vos règles | Les outils ne s’exécutent que selon vos règles et vos permissions | Permissions des agents et configuration des outils |
| Streaming | Il diffuse en streaming la sortie du modèle et des outils, chaque étape restant conforme à vos règles | Disponible via les interfaces des agents et des modèles |
| 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 | Le runtime de Letta stocke les conversations et les actions des agents |
| 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 | NatifLes agents persistants gardent leur mémoire d’une conversation à l’autre |
| 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 | Les agents persistants peuvent poursuivre le travail, dont le cycle de vie est fixé par l’agent et l’app |
| 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 : la mémoire et les compétences dans l’espace des tokens peuvent survivre à un changement de modèle |
| 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 agents avec état sont accessibles via des SDK et un MCP hébergé |
| Confier le travail à un autre agent | Une tâche et son contexte passent à un autre agent que vous autorisez, prêts à continuer | Des agents et des dépôts partagés peuvent soutenir une passation |
| Garder le contexte compact | Le contexte reste compact, centré sur les règles, tâches et décisions qui comptent | Organisation de la mémoire, résumés et gestion du contexte sous forme de fichiers |
| 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 du modèle connecté et des outils 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 | Dépend du modèle et de la façon dont la mémoire est construite |
| Personnes, équipes et partage | ||
| Pour chaque personne | NatifChaque personne a son propre contexte privé, ses préférences et son apprentissage | Mémoire native par agent et par utilisateur |
| Pour chaque équipe | NatifLes équipes partagent l’apprentissage approuvé, et le travail privé reste privé | Dépôts de mémoire partagés et compétences |
| Dans toute l’organisation | NatifCe qui marche peut passer d’une personne à l’équipe et à l’organisation, selon vos règles | Les compétences et la mémoire peuvent être partagées dans toute l’organisation |
| 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 | Dépôts partagés et permissions de collaboration |
| 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 | Repose sur le contexte et les permissions de l’agent |
| Contrôle et confiance | ||
| Vos règles | Vos règles font partie du fonctionnement de Duplex : elles autorisent, refusent ou limitent des actions réelles | Les instructions et les permissions façonnent le comportement des agents |
| Des règles appliquées avant chaque action | NatifLes hooks vérifient chaque action au regard de vos règles avant son exécution | Dépend du runtime de Letta, des permissions et de l’hôte des outils |
| Des personnes dans la boucle | Une personne confirme les actions que vous choisissez, et ce que Duplex apprend peut être examiné et annulé | Les utilisateurs peuvent inspecter et gérer la mémoire et les compétences |
| 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 | Conversations persistantes, mémoire et état des agents |
| Des reçus vérifiables | Les décisions, les compétences et les suppressions peuvent s’accompagner de reçus vérifiables | Souvenirs et compétences versionnés |
| Annuler exactement ce qui a été appris | NatifUn changement appris peut être annulé exactement, sans rien réentraîner | Les compétences et les souvenirs peuvent être modifiés ou restaurés via des versions |
| 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 | La mémoire et les compétences sont nettoyées via les fichiers et les versions |
| Garder les clients séparés | Chaque utilisateur, équipe, organisation et client reste séparé, dans chaque intégration et dans tout ce qu’il partage | Permissions dans le cloud et en auto-hébergement |
| 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 | La mémoire et les compétences restent inspectables |
| Où il tourne et se connecte | ||
| Tout fournisseur de modèle | Une seule intelligence pour OpenAI, Anthropic, Google, AWS et les modèles compatibles | Un harness d’agents qui fonctionne avec tout modèle |
| MCP | NatifVia MCP + hooks, Duplex prend part à chaque étape de vos agents | Le MCP hébergé permet à d’autres agents de créer des agents Letta avec état et de leur envoyer des messages |
| 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, CLI et runtime d’agents |
| Votre cloud, ou auto-hébergé | Vareon cloud, votre cloud ou sans cloud : cloud privé, votre propre compte, auto-hébergé ou isolé du réseau | Cloud, et un serveur d’app auto-hébergé |
| 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 | Un meilleur contexte et de meilleures compétences améliorent les résultats, 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 | Un contexte mieux organisé peut réduire le raisonnement superflu |
| Survit à une mise à niveau du modèle | OuiL’apprentissage, le contexte, les tâches et les règles restent hors de tout modèle particulier | OuiLa mémoire et les compétences sont délibérément indépendantes du modèle |
| 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 construisent des agents persistants qui s’améliorent seuls, autour de la mémoire et des compétences dans l’espace des tokens |
Les autres comparatifs.
- 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
- 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.