Duplex et plateformes de mémoire,
côte à côte.
Mem0, Zep, AgentCore Memory et Supermemory conservent faits, messages et épisodes pour le prochain appel du modèle. Duplex apprend de l’expérience : il comprend le schéma, prédit la suite et agit en conséquence.
Comparatif à jour au 16 octobre 2026.
Toutes les capacités : Duplex et plateformes de mémoire.
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 | Plateformes de mémoireMem0, Zep, AgentCore Memory et Supermemory |
|---|---|---|
| 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 | Contexte persistant, faits, épisodes et graphes de connaissances |
| Ce qu’il fait suivre | Contexte, décisions, issues, règles, tâches, compétences et ce qu’il a appris | Faits, messages, résumés, épisodes et relations de graphe |
| Ce qui s’améliore avec l’expérience | Ses prochaines décisions : certitude, routage, recommandations, usage des outils et connaissances réutilisables | Surtout le contexte fourni au prochain appel du modèle |
| Savoir ce qui s’est passé, et en apprendre | NatifIl sait ce qui s’est passé, et apprend ce qu’il faut changer ensuite | Surtout de la mémoire ; l’ampleur de l’apprentissage varie selon le fournisseur |
| Apprentissage | ||
| Apprentissage continu sans réentraînement | NatifIl continue d’apprendre, hors des poids de votre modèle | Amélioration par le contexte ; sa profondeur varie selon la plateforme |
| Adaptation tour par tour | NatifChaque nouveau résultat peut changer aussitôt la décision suivante | Des souvenirs peuvent être ajoutés en continu, mais les récupérer n’est pas s’adapter |
| Apprendre des corrections | NatifUne correction change ce que Duplex fait ensuite | Les corrections peuvent être stockées et récupérées comme contexte |
| Apprendre des issues | NatifSuccès et échecs alimentent directement ce qu’il apprend | Les épisodes peuvent être rappelés, mais apprendre des issues reste généralement externe |
| Apprendre des récompenses | NatifUne récompense renforce ce qui a marché et corrige ce qui n’a pas marché | Les récompenses ne sont pas une fonction standard de mémoire |
| 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 | Les épisodes stockés peuvent servir d’exemples |
| 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 | Le contexte récupéré peut façonner le comportement indirectement |
| Compétences réutilisables | NatifL’expérience devient des compétences testées avant usage, qui peuvent être mises en pause, rétablies ou retirées | Dépend du fournisseur ; en général, pas ce autour de quoi la catégorie est bâtie |
| 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 | En général un cycle de vie par enregistrement, pas par compétence |
| 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 | La récupération sémantique trouve des informations voisines, ce qui n’est pas la même chose que généraliser un comportement |
| 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 | Scores de récupération et signaux de pertinence |
| Répondre, passer la main ou refuser | NatifDuplex répond lui-même, appelle votre modèle, utilise un outil ou refuse, conformément à vos règles | ExterneL’application 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 normalement le contexte récupéré |
| 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’application |
| Planification, simulation et recommandations | NatifIl prédit la suite, essaie des alternatives, construit des plans et recommande des actions | La mémoire fournit le contexte ; la planification reste externe |
| 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 | Une mémoire partagée peut servir plusieurs agents |
| Apprendre quels outils marchent | Il apprend quels outils marchent, quand les utiliser et à quoi chacun mène | Les résultats des outils peuvent être mémorisés |
| Actions d’outils conformes à vos règles | Les outils ne s’exécutent que selon vos règles et vos permissions | ExterneLaissé à l’application dans les systèmes de mémoire seule |
| Streaming | Il diffuse en streaming la sortie du modèle et des outils, chaque étape restant conforme à vos règles | Dépend du fournisseur |
| 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 | Des intégrations SDK ou harness capturent messages et événements |
| 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 | NatifC’est précisément ce autour de quoi la catégorie est bâtie |
| 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 | Le contexte peut être récupéré, mais la gestion de l’état des tâches est externe |
| 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 | Généralement solide, car la mémoire ne dépend pas du 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 | Possible quand les apps partagent la même identité de mémoire |
| Confier le travail à un autre agent | Une tâche et son contexte passent à un autre agent que vous autorisez, prêts à continuer | Un autre agent autorisé peut récupérer le contexte partagé |
| Garder le contexte compact | Le contexte reste compact, centré sur les règles, tâches et décisions qui comptent | Résumés, souvenirs extraits et enregistrements épisodiques |
| 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 fournisseur et du modèle |
| 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 | Disponible dans les produits qui indexent plus que du texte |
| Personnes, équipes et partage | ||
| Pour chaque personne | NatifChaque personne a son propre contexte privé, ses préférences et son apprentissage | Mémoire solide par utilisateur ou par acteur |
| Pour chaque équipe | NatifLes équipes partagent l’apprentissage approuvé, et le travail privé reste privé | Disponible via des espaces de noms, des graphes ou des stockages partagés |
| Dans toute l’organisation | NatifCe qui marche peut passer d’une personne à l’équipe et à l’organisation, selon vos règles | Une mémoire organisationnelle partagée est possible |
| 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 | Espaces de noms propres au fournisseur, IAM ou permissions de graphe |
| 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 | Dépend de l’app et du fournisseur |
| Contrôle et confiance | ||
| Vos règles | Vos règles font partie du fonctionnement de Duplex : elles autorisent, refusent ou limitent des actions réelles | Le contexte peut éclairer le comportement, mais n’autorise pas d’actions |
| Des règles appliquées avant chaque action | NatifLes hooks vérifient chaque action au regard de vos règles avant son exécution | La mémoire fournit le contexte, mais n’autorise pas d’actions extérieures |
| Des personnes dans la boucle | Une personne confirme les actions que vous choisissez, et ce que Duplex apprend peut être examiné et annulé | Défini par l’app |
| 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 | Historique, traçabilité des sources et contrôles d’audit varient selon le fournisseur |
| Des reçus vérifiables | Les décisions, les compétences et les suppressions peuvent s’accompagner de reçus vérifiables | La traçabilité des sources varie selon le fournisseur |
| Annuler exactement ce qui a été appris | NatifUn changement appris peut être annulé exactement, sans rien réentraîner | Les souvenirs peuvent être supprimés, mais le comportement construit dessus n’est pas exactement inversé |
| 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 | Supprime généralement des enregistrements ; les résumés dérivés et les copies ailleurs demandent un traitement à part |
| Garder les clients séparés | Chaque utilisateur, équipe, organisation et client reste séparé, dans chaque intégration et dans tout ce qu’il partage | Isolation par utilisateur, acteur, espace de noms, graphe ou IAM |
| 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 | Solide dans les produits à graphe temporel ; variable ailleurs |
| Où il tourne et se connecte | ||
| Tout fournisseur de modèle | Une seule intelligence pour OpenAI, Anthropic, Google, AWS et les modèles compatibles | Généralement indépendant du modèle |
| MCP | NatifVia MCP + hooks, Duplex prend part à chaque étape de vos agents | Disponible dans plusieurs produits, dont Supermemory et AgentCore |
| 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 | Intégrations SDK et MCP |
| Votre cloud, ou auto-hébergé | Vareon cloud, votre cloud ou sans cloud : cloud privé, votre propre compte, auto-hébergé ou isolé du réseau | Propre au fournisseur ; des options open source et gérées existent |
| 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 | Dépend de la plateforme |
| 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 réduit les répétitions, mais ajoute une récupération et appelle toujours le modèle |
| Comment il réduit la latence | Les décisions dont il est sûr reviennent vite ; le travail incertain va toujours à votre modèle de pointe | Récupération plus rapide et contexte plus réduit |
| Survit à une mise à niveau du modèle | OuiL’apprentissage, le contexte, les tâches et les règles restent hors de tout modèle particulier | OuiLe contexte stocké ne dépend pas 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 apps qui ont surtout besoin d’un contexte utilisateur ou métier durable et pertinent |
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 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.