Duplex e Gateway di IA,
fianco a fianco.
Portkey, LiteLLM e gateway simili instradano il traffico, applicano guardrail e gestiscono i fornitori. Duplex impara quali decisioni funzionano, e agisce di conseguenza entro le tue regole, a ogni passaggio del lavoro.
Confronto aggiornato al 16 ottobre 2026.
Tutte le capacità: Duplex e Gateway di IA.
Cosa fa ciascuno, gruppo per gruppo, da cosa è a quanto costa.
- Nativo
- Integrato nel funzionamento di base del prodotto.
- Esterno
- Lo fornisci tu, o lo assembli, a parte.
- Non nativo
- La documentazione del prodotto non lo elenca come funzionalità integrata. Una soluzione su misura potrebbe comunque essere possibile.
| Capacità | Duplex | Gateway di IAPortkey, LiteLLM e simili |
|---|---|---|
| Cosa è ciascuno | ||
| Cos’è | Un’intelligenza a runtime accanto alla tua IA: impara e agisce per i tuoi agenti e assistenti, entro le tue regole | Instradamento dei modelli, affidabilità, guardrail e osservabilità |
| Ciò che porta avanti | Contesto, decisioni, esiti, regole, compiti, competenze e ciò che ha imparato | Configurazione, log, policy di instradamento e cache |
| Cosa migliora con l’esperienza | Le sue prossime decisioni: certezza, instradamento, raccomandazioni, uso degli strumenti e conoscenza riutilizzabile | Instradamento e affidabilità delle richieste, non ciò che l’agente ha imparato |
| Sapere cosa è successo, e imparare da questo | NativoSa cosa è successo, e impara cosa cambiare dopo | Controllo operativo senza apprendimento continuo |
| Apprendimento | ||
| Apprendimento continuo senza riaddestramento | NativoContinua a imparare, fuori dai pesi del tuo modello | Non nativo |
| Adattamento turno per turno | NativoOgni nuovo risultato può cambiare subito la decisione successiva | L’instradamento cambia subito, ma non in base a esiti appresi |
| Imparare dalle correzioni | NativoUna correzione cambia ciò che Duplex fa dopo | Di solito registrate nei log; imparare da esse è esterno |
| Imparare dagli esiti | NativoSuccessi e fallimenti tornano dritti in ciò che impara | Gli esiti compaiono nella telemetria; imparare da essi è esterno |
| Imparare dalle ricompense | NativoUna ricompensa rafforza ciò che ha funzionato e corregge ciò che non ha funzionato | Non nativo |
| Il merito dei passaggi che portano a un risultato | NativoCapisce quali azioni precedenti hanno portato a un risultato successivo | Non nativo |
| Come le azioni fanno avanzare il lavoro | NativoImpara come ogni azione porta il lavoro da uno stato al successivo | Non nativo |
| Prevedere cosa farà un’azione | NativoDa ciò che osserva, prevede cosa farà un’azione, prova alternative e pianifica | Non nativo |
| Scelte d’azione migliori | NativoGli esiti migliorano l’azione che sceglie dopo | Le policy di instradamento si configurano, non si apprendono dagli esiti |
| Competenze riutilizzabili | NativoL’esperienza diventa competenze testate prima dell’uso, che si possono sospendere, ripristinare o ritirare | Non nativo |
| Testare e gestire le competenze | Una competenza viene testata prima di farci affidamento, e si può sospendere, ripristinare, ritirare o rimuovere per sempre | Versioni della configurazione, non un ciclo di vita per competenze apprese |
| Generalizzare a casi affini | Porta ciò che ha imparato a casi affini e a nuove formulazioni, e in competenze che può riutilizzare | Le cache semantiche riconoscono richieste simili, ma non imparano come agire |
| Decidere e agire | ||
| Sapere quanto è sicuro | NativoPrima di ogni decisione, sa quanto il caso è noto e quanto è sicuro | Salute dei fornitori, instradamento e punteggi dei guardrail, non certezza sul compito |
| Rispondere, passare la mano o rifiutare | NativoDuplex risponde da sé, chiama il tuo modello, usa uno strumento o rifiuta, entro le tue regole | Instradare, ritentare, bloccare o ripiegare, senza imparare dagli esiti |
| Rispondere da sé al lavoro noto | NativoPrende da solo le decisioni note, senza un’altra chiamata a un modello di frontiera | Una cache può saltare una chiamata al modello, ma una cache non impara dagli esiti |
| Passare la mano su ciò che è nuovo o incerto | Il lavoro nuovo, incerto o sensibile va al modello, allo strumento o alla persona giusti | Instradamento e fallback solidi tra fornitori; la certezza sul compito resta esterna |
| Pianificazione, simulazione e raccomandazioni | NativoPrevede cosa succede dopo, prova alternative, costruisce piani e raccomanda azioni | Non nativo |
| Molti agenti, al lavoro insieme | Manda il lavoro all’agente giusto, lo suddivide entro le tue regole, tiene ogni agente nel suo ambito e riunisce i risultati | Alcuni instradano verso agenti e strumenti MCP, ma non imparano quale collaborazione ha funzionato |
| Imparare quali strumenti funzionano | Impara quali strumenti funzionano, quando usarli e a cosa porta ciascuno | Espongono e instradano gli strumenti, ma in genere non imparano dai loro esiti |
| Azioni degli strumenti entro le tue regole | Gli strumenti girano solo attraverso le tue regole e i tuoi permessi | Instradamento e guardrail solidi; il controllo delle azioni degli agenti dipende dall’integrazione |
| Streaming | Trasmette in streaming l’output del modello e degli strumenti, con ogni passaggio sempre entro le tue regole | NativoStreaming solido |
| Lavoro che prosegue | ||
| Imparare da ogni passaggio, automaticamente | Ogni passaggio, tramite MCP + hooks o i plugin, alimenta un unico ciclo di apprendimento condiviso | Richieste, risposte, costi e latenza vengono registrati |
| Contesto tra sessioni | NativoLavoro, decisioni, compiti e il contesto che conta proseguono tra una sessione e l’altra | EsternoIn genere |
| Lavoro di lunga durata | NativoIl lavoro lungo resta aperto tra sessioni e agenti, con punti di ripristino a cui tornare, finché non è finito o dimenticato | Non nativo |
| Tra modelli | NativoCiò che impara e il tuo contesto restano fuori dal modello, e seguono il lavoro tra fornitori | Solido per l’instradamento, ma nulla di appreso si trasferisce |
| Tra app e agenti | Lo stesso lavoro prosegue in Claude, Codex, Cursor, Hermes e nei tuoi agenti | Le richieste possono condividere un gateway, ma ciò che ogni app sa resta esterno |
| Passare il lavoro a un altro agente | Un compito e il suo contesto passano a un altro agente che autorizzi, pronti a proseguire | Può esserci instradamento verso agenti e MCP; il significato del compito resta esterno |
| Mantenere compatto il contesto | Il contesto resta compatto, concentrato su regole, compiti e decisioni che contano | Troncamento o caching dei prompt, non un riassunto duraturo di ciò che conta |
| Imparare da immagini, audio, video e PDF | Impara da immagini, audio, video e PDF, come dal testo | Passa soprattutto i media supportati ai fornitori |
| Tra media diversi | Una domanda a parole può attingere a ciò che è stato appreso da immagini, audio e video, e i media possono orientare decisioni successive | Non nativo |
| Persone, team e condivisione | ||
| Per ogni persona | NativoOgni persona ha il proprio contesto privato, le proprie preferenze e il proprio apprendimento | Chiavi e budget per utente; il comportamento personale è esterno |
| Per ogni team | NativoI team condividono l’apprendimento approvato, e il lavoro privato resta privato | Configurazione e budget per team |
| In tutta l’organizzazione | NativoCiò che funziona può passare da una persona al team e all’organizzazione, secondo le tue regole | Instradamento e guardrail in tutta l’organizzazione, senza imparare dagli esiti |
| Condivisione tra persone, sotto controllo | Scegli cosa condividere e con chi, e puoi ritirarlo; tutto ciò che è condiviso mostra da chi viene | Controlli per chiave, team e ruolo |
| Protezione dei contenuti condivisi | Ciò che qualcuno condivide arriva come informazione, mai come istruzione, quindi non può guidare l’agente di un’altra persona | I guardrail possono ispezionare gli input condivisi, ma la fiducia in ciò che significano resta esterna |
| Controllo e fiducia | ||
| Le regole | Le tue regole fanno parte di come funziona Duplex: consentono, rifiutano o limitano azioni reali | Guardrail solidi su input e output, e policy di instradamento |
| Regole applicate prima di ogni azione | NativoGli hook controllano ogni azione rispetto alle tue regole prima che venga eseguita | Solido per richieste e risposte che passano dal gateway |
| Persone nel ciclo | Una persona conferma le azioni che scegli, e ciò che Duplex impara si può revisionare e annullare | I flussi di approvazione variano secondo il gateway |
| Uno storico che puoi verificare | Una cronologia di ogni decisione, da dove viene e cosa ne è derivato, che non si può modificare di nascosto | Log solidi di richieste, risposte, costi e policy |
| Ricevute verificabili | Decisioni, competenze e cancellazioni possono avere ricevute verificabili | Log ed esiti dei guardrail, non ricevute di ciò che è stato appreso |
| Annullare con esattezza ciò che ha appreso | NativoUna singola modifica appresa si può annullare con esattezza, senza riaddestrare nulla | Configurazione e voci di cache si possono rimuovere; non c’è nulla di appreso da invertire |
| Un oblio che raggiunge tutto ciò che vi è costruito sopra | Rimuovere qualcosa rimuove anche ciò che ne deriva: contesto, tutto ciò che ne è stato condiviso e l’apprendimento collegato | Log e cache seguono la propria conservazione |
| Tenere separati i clienti | Ogni utente, team, organizzazione e cliente resta separato, in ogni integrazione e in tutto ciò che condivide | Isolamento maturo per chiave, team, budget e ruolo |
| Da dove viene tutto ciò che ha appreso | Per tutto ciò che ha appreso, puoi vedere la fonte, l’ambito e quanto ci si può fidare | Tracciabilità di richieste e fornitori |
| Dove gira e si collega | ||
| Qualsiasi fornitore di modelli | Un’unica intelligenza per OpenAI, Anthropic, Google, AWS e modelli compatibili | NativoL’astrazione dei fornitori è ciò che la categoria fa meglio |
| MCP | NativoTramite MCP + hooks, Duplex partecipa a ogni passaggio dei tuoi agenti | Sempre più nativo |
| Hook e plugin | NativoPlugin per Claude, Codex, Cursor e Hermes, e hook che coinvolgono Duplex a ogni passaggio e controllano le azioni sensibili degli strumenti | Integrazione tramite SDK e proxy, non hook che imparano dalle sessioni degli agenti |
| Il tuo cloud, o self-hosted | Vareon cloud, il tuo cloud o senza cloud: cloud privato, il tuo account, self-hosted o air-gapped | Le opzioni ospitate e self-hosted variano secondo il gateway |
| Senza cloud: air-gapped | Pensato per implementazioni da cui nulla può uscire, con modelli locali, dipendenze locali e il tuo provider di identità | Disponibile con gateway self-hosted e fornitori locali |
| Costo, velocità e idoneità | ||
| Come riduce il costo dei modelli | Duplex risponde da solo al lavoro noto, senza ripetere la chiamata a un modello di frontiera | Caching, modelli più economici, batching e scelta del fornitore |
| Come riduce la latenza | Le decisioni di cui è sicuro tornano in fretta; il lavoro incerto va comunque al tuo modello di frontiera | Caching, bilanciamento del carico e scelta del fornitore |
| Sopravvive a un aggiornamento del modello | SìApprendimento, contesto, compiti e regole restano fuori da ogni singolo modello | La configurazione dell’instradamento sopravvive, ma non si conserva alcun comportamento appreso |
| Fine-tuning necessario | NoIl fine-tuning diventa un passo in più facoltativo | No |
| Ideale per | Organizzazioni che hanno bisogno che i loro agenti di IA imparino, agiscano entro regole, portino avanti il lavoro e migliorino tra modelli diversi, come un unico sistema | Team che hanno soprattutto bisogno di astrazione dei fornitori, affidabilità, guardrail e controllo dei costi |
Gli altri confronti.
- Duplex e LettaAgenti con stato, con memoria e competenze
- Duplex e CopilotKit CLiFFlussi di lavoro reali, trasformati in competenze
- Duplex e Deeplake HivemindMemoria condivisa per agenti di coding
- Duplex e piattaforme di memoriaMem0, Zep, AgentCore Memory, Supermemory
- Duplex e fine-tuningFine-tuning e reinforcement fine-tuning
- Il confronto completoDuplex accanto a tutti e sei, fianco a fianco
Vedi Duplex all’opera sul tuo lavoro.
Confrontalo dove conta: un progetto pilota applica Duplex al tuo lavoro, con metriche concordate prima di partire.