Duplex e CopilotKit CLiF,
fianco a fianco.
CopilotKit CLiF trasforma flussi di lavoro reali degli utenti in competenze revisionate, valutazioni e dati di addestramento. Duplex impara da ogni risultato mentre il lavoro avviene, e agisce su ciò che ha imparato, entro le tue regole.
Confronto aggiornato al 16 ottobre 2026.
Tutte le capacità: Duplex e CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 | Una pipeline full-stack che trasforma le traiettorie in competenze, valutazioni e dati di addestramento |
| Ciò che porta avanti | Contesto, decisioni, esiti, regole, compiti, competenze e ciò che ha imparato | Thread, traiettorie, insight, competenze e valutazioni |
| Cosa migliora con l’esperienza | Le sue prossime decisioni: certezza, instradamento, raccomandazioni, uso degli strumenti e conoscenza riutilizzabile | Le istruzioni dell’agente, tramite competenze revisionate tratte da flussi di lavoro reali |
| Sapere cosa è successo, e imparare da questo | NativoSa cosa è successo, e impara cosa cambiare dopo | L’apprendimento è generato da traiettorie archiviate |
| Apprendimento | ||
| Apprendimento continuo senza riaddestramento | NativoContinua a imparare, fuori dai pesi del tuo modello | NativoApprendimento di competenze; i dati per il fine-tuning sono facoltativi |
| Adattamento turno per turno | NativoOgni nuovo risultato può cambiare subito la decisione successiva | L’analisi si avvia a mano o su pianificazione |
| Imparare dalle correzioni | NativoUna correzione cambia ciò che Duplex fa dopo | Le modifiche degli utenti e le azioni nell’app alimentano il suo apprendimento |
| Imparare dagli esiti | NativoSuccessi e fallimenti tornano dritti in ciò che impara | Gli esiti di tutto lo stack diventano insight, competenze, valutazioni e dati di addestramento |
| Imparare dalle ricompense | NativoUna ricompensa rafforza ciò che ha funzionato e corregge ciò che non ha funzionato | Può produrre dati per il fine-tuning da traiettorie valutate |
| Il merito dei passaggi che portano a un risultato | NativoCapisce quali azioni precedenti hanno portato a un risultato successivo | L’analisi delle traiettorie può far emergere schemi utili nei flussi di lavoro |
| Come le azioni fanno avanzare il lavoro | NativoImpara come ogni azione porta il lavoro da uno stato al successivo | Può trasformare i flussi di lavoro in competenze |
| Prevedere cosa farà un’azione | NativoDa ciò che osserva, prevede cosa farà un’azione, prova alternative e pianifica | EsternoLasciato al framework degli agenti |
| Scelte d’azione migliori | NativoGli esiti migliorano l’azione che sceglie dopo | Competenze revisionate migliorano le prossime istruzioni dell’agente |
| Competenze riutilizzabili | NativoL’esperienza diventa competenze testate prima dell’uso, che si possono sospendere, ripristinare o ritirare | NativoLe traiettorie diventano competenze revisionate, supportate da evidenze |
| Testare e gestire le competenze | Una competenza viene testata prima di farci affidamento, e si può sospendere, ripristinare, ritirare o rimuovere per sempre | Pubblicate dopo una revisione umana, distribuite in una versione fissata |
| Generalizzare a casi affini | Porta ciò che ha imparato a casi affini e a nuove formulazioni, e in competenze che può riutilizzare | Le competenze catturano schemi su molte traiettorie di produzione |
| Decidere e agire | ||
| Sapere quanto è sicuro | NativoPrima di ogni decisione, sa quanto il caso è noto e quanto è sicuro | Guidato dalla valutazione, non una misura in tempo reale della certezza |
| Rispondere, passare la mano o rifiutare | NativoDuplex risponde da sé, chiama il tuo modello, usa uno strumento o rifiuta, entro le tue regole | EsternoL’agente host decide come agire |
| Rispondere da sé al lavoro noto | NativoPrende da solo le decisioni note, senza un’altra chiamata a un modello di frontiera | Il modello legge comunque la competenza appresa |
| 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 | EsternoIl compito dell’agente host |
| Pianificazione, simulazione e raccomandazioni | NativoPrevede cosa succede dopo, prova alternative, costruisce piani e raccomanda azioni | EsternoIl compito dell’agente host |
| 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 | Funziona con i framework di agenti supportati |
| Imparare quali strumenti funzionano | Impara quali strumenti funzionano, quando usarli e a cosa porta ciascuno | Le traiettorie full-stack catturano le azioni di strumenti e utenti per nuove competenze |
| Azioni degli strumenti entro le tue regole | Gli strumenti girano solo attraverso le tue regole e i tuoi permessi | Controllato dal framework dell’agente host |
| Streaming | Trasmette in streaming l’output del modello e degli strumenti, con ogni passaggio sempre entro le tue regole | Disponibile tramite i framework di agenti supportati |
| Lavoro che prosegue | ||
| Imparare da ogni passaggio, automaticamente | Ogni passaggio, tramite MCP + hooks o i plugin, alimenta un unico ciclo di apprendimento condiviso | AG-UI cattura le azioni di agenti e utenti come traiettorie full-stack |
| Contesto tra sessioni | NativoLavoro, decisioni, compiti e il contesto che conta proseguono tra una sessione e l’altra | Thread durevoli conservano le interazioni dell’app |
| 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 | Thread durevoli conservano la cronologia delle interazioni |
| Tra modelli | NativoCiò che impara e il tuo contesto restano fuori dal modello, e seguono il lavoro tra fornitori | Solido: le competenze possono essere distribuite su stack di agenti supportati |
| Tra app e agenti | Lo stesso lavoro prosegue in Claude, Codex, Cursor, Hermes e nei tuoi agenti | Le competenze possono essere distribuite tramite gli adattatori dei framework supportati |
| Passare il lavoro a un altro agente | Un compito e il suo contesto passano a un altro agente che autorizzi, pronti a proseguire | Traiettorie condivise e competenze pubblicate mantengono coerente il comportamento |
| Mantenere compatto il contesto | Il contesto resta compatto, concentrato su regole, compiti e decisioni che contano | Le traiettorie vengono distillate in insight e competenze |
| Imparare da immagini, audio, video e PDF | Impara da immagini, audio, video e PDF, come dal testo | Dipende dagli eventi dell’app catturati e dallo stack dell’agente |
| 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 | Fuori dal focus principale di CLiF |
| Persone, team e condivisione | ||
| Per ogni persona | NativoOgni persona ha il proprio contesto privato, le proprie preferenze e il proprio apprendimento | Possibile tramite thread dell’app e contenitori di apprendimento |
| Per ogni team | NativoI team condividono l’apprendimento approvato, e il lavoro privato resta privato | Le competenze pubblicate diffondono l’apprendimento del team |
| In tutta l’organizzazione | NativoCiò che funziona può passare da una persona al team e all’organizzazione, secondo le tue regole | Le competenze revisionate si possono diffondere tra gli agenti supportati |
| Condivisione tra persone, sotto controllo | Scegli cosa condividere e con chi, e puoi ritirarlo; tutto ciò che è condiviso mostra da chi viene | Permessi per progetto e implementazione |
| Protezione dei contenuti condivisi | Ciò che qualcuno condivide arriva come informazione, mai come istruzione, quindi non può guidare l’agente di un’altra persona | La policy dello sviluppatore e le restrizioni degli strumenti prevalgono sulle competenze |
| Controllo e fiducia | ||
| Le regole | Le tue regole fanno parte di come funziona Duplex: consentono, rifiutano o limitano azioni reali | Le competenze apprese non possono scavalcare le regole di sicurezza dello sviluppatore né le restrizioni degli strumenti |
| Regole applicate prima di ogni azione | NativoGli hook controllano ogni azione rispetto alle tue regole prima che venga eseguita | Resta all’app host e al framework degli agenti |
| Persone nel ciclo | Una persona conferma le azioni che scegli, e ciò che Duplex impara si può revisionare e annullare | Una revisione solida prima che le competenze apprese vengano pubblicate |
| 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 | Insight supportati da evidenze, e le traiettorie da cui provengono |
| Ricevute verificabili | Decisioni, competenze e cancellazioni possono avere ricevute verificabili | Link alle evidenze e revisioni esatte delle competenze |
| Annullare con esattezza ciò che ha appreso | NativoUna singola modifica appresa si può annullare con esattezza, senza riaddestrare nulla | Le competenze pubblicate si possono rivedere o ritirare |
| 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 | Significa rimuovere gli insight, le competenze e gli asset derivati interessati |
| Tenere separati i clienti | Ogni utente, team, organizzazione e cliente resta separato, in ogni integrazione e in tutto ciò che condivide | Isolamento per progetto e implementazione |
| 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 | Insight e competenze restano collegati alle traiettorie da cui provengono |
| Dove gira e si collega | ||
| Qualsiasi fornitore di modelli | Un’unica intelligenza per OpenAI, Anthropic, Google, AWS e modelli compatibili | Funziona con i framework di agenti e i modelli supportati |
| MCP | NativoTramite MCP + hooks, Duplex partecipa a ogni passaggio dei tuoi agenti | Le competenze possono raggiungere agenti e server MCP tramite integrazioni |
| 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 | AG-UI e adattatori per framework |
| Il tuo cloud, o self-hosted | Vareon cloud, il tuo cloud o senza cloud: cloud privato, il tuo account, self-hosted o air-gapped | Intelligenza ospitata nel cloud e self-hosted |
| Senza cloud: air-gapped | Pensato per implementazioni da cui nulla può uscire, con modelli locali, dipendenze locali e il tuo provider di identità | Possibile con uno stack self-hosted e dipendenze 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 | Competenze migliori riducono errori e rilavorazioni, ma il modello gira comunque |
| Come riduce la latenza | Le decisioni di cui è sicuro tornano in fretta; il lavoro incerto va comunque al tuo modello di frontiera | Le competenze rendono l’esecuzione più diretta |
| Sopravvive a un aggiornamento del modello | SìApprendimento, contesto, compiti e regole restano fuori da ogni singolo modello | SìCompetenze e traiettorie restano fuori dai pesi del modello |
| Fine-tuning necessario | NoIl fine-tuning diventa un passo in più facoltativo | NoNon per le competenze; CLiF può anche produrre dati per il fine-tuning |
| 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 di prodotto che trasformano flussi di lavoro reali degli utenti in competenze revisionate, valutazioni e materiale di addestramento |
Gli altri confronti.
- Duplex e LettaAgenti con stato, con memoria e 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
- Duplex e Gateway di IAPortkey, LiteLLM e simili
- 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.