Duplex e Letta,
fianco a fianco.
Letta costruisce agenti con stato basati su memoria persistente e competenze apprese. Duplex è una seconda intelligenza accanto alla tua IA: impara da ogni risultato e agisce di conseguenza a runtime, entro le tue regole, con qualsiasi modello tu usi.
Confronto aggiornato al 16 ottobre 2026.
Tutte le capacità: Duplex e Letta.
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 | Letta |
|---|---|---|
| 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 piattaforma di agenti con stato, costruita su memoria persistente e apprendimento nello spazio dei token |
| Ciò che porta avanti | Contesto, decisioni, esiti, regole, compiti, competenze e ciò che ha imparato | Memoria degli agenti, conversazioni, file e competenze |
| Cosa migliora con l’esperienza | Le sue prossime decisioni: certezza, instradamento, raccomandazioni, uso degli strumenti e conoscenza riutilizzabile | Il comportamento futuro dell’agente, tramite memoria aggiornata e competenze apprese |
| Sapere cosa è successo, e imparare da questo | NativoSa cosa è successo, e impara cosa cambiare dopo | Ci sono entrambi, soprattutto tramite memoria e competenze nello spazio dei token |
| Apprendimento | ||
| Apprendimento continuo senza riaddestramento | NativoContinua a imparare, fuori dai pesi del tuo modello | NativoApprendimento nello spazio dei token e di competenze |
| Adattamento turno per turno | NativoOgni nuovo risultato può cambiare subito la decisione successiva | La memoria gestita dall’agente può cambiare di continuo; l’apprendimento di competenze segue l’esperienza conclusa |
| Imparare dalle correzioni | NativoUna correzione cambia ciò che Duplex fa dopo | Le correzioni possono aggiornare la memoria o alimentare competenze apprese |
| Imparare dagli esiti | NativoSuccessi e fallimenti tornano dritti in ciò che impara | Possibile tramite riflessione sulle traiettorie e aggiornamenti gestiti dall’agente |
| Imparare dalle ricompense | NativoUna ricompensa rafforza ciò che ha funzionato e corregge ciò che non ha funzionato | Le ricompense non sono il suo modo principale di imparare |
| Il merito dei passaggi che portano a un risultato | NativoCapisce quali azioni precedenti hanno portato a un risultato successivo | Letta non lo offre in modo nativo a runtime |
| Come le azioni fanno avanzare il lavoro | NativoImpara come ogni azione porta il lavoro da uno stato al successivo | L’agente può dedurlo dal contesto |
| Prevedere cosa farà un’azione | NativoDa ciò che osserva, prevede cosa farà un’azione, prova alternative e pianifica | Il modello ragiona sulla memoria |
| Scelte d’azione migliori | NativoGli esiti migliorano l’azione che sceglie dopo | Il comportamento migliora tramite memoria e competenze |
| Competenze riutilizzabili | NativoL’esperienza diventa competenze testate prima dell’uso, che si possono sospendere, ripristinare o ritirare | NativoLe traiettorie possono diventare competenze durature che funzionano con qualsiasi modello |
| Testare e gestire le competenze | Una competenza viene testata prima di farci affidamento, e si può sospendere, ripristinare, ritirare o rimuovere per sempre | Le competenze sono file che puoi ispezionare, gestire e versionare |
| Generalizzare a casi affini | Porta ciò che ha imparato a casi affini e a nuove formulazioni, e in competenze che può riutilizzare | Le competenze nello spazio dei token generalizzano procedure tra compiti diversi |
| Decidere e agire | ||
| Sapere quanto è sicuro | NativoPrima di ogni decisione, sa quanto il caso è noto e quanto è sicuro | Soprattutto il giudizio del modello e quanto è pertinente la memoria |
| Rispondere, passare la mano o rifiutare | NativoDuplex risponde da sé, chiama il tuo modello, usa uno strumento o rifiuta, entro le tue regole | L’agente di solito prosegue tramite il ragionamento del modello |
| Rispondere da sé al lavoro noto | NativoPrende da solo le decisioni note, senza un’altra chiamata a un modello di frontiera | Il modello interpreta comunque memoria o competenze |
| 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 | L’agente e il modello decidono quando serve più aiuto |
| Pianificazione, simulazione e raccomandazioni | NativoPrevede cosa succede dopo, prova alternative, costruisce piani e raccomanda azioni | Soprattutto tramite il ragionamento del modello e gli strumenti dell’agente |
| 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 | Agenti, subagenti e memoria condivisa sono disponibili |
| Imparare quali strumenti funzionano | Impara quali strumenti funzionano, quando usarli e a cosa porta ciascuno | Competenze e memoria possono migliorare l’uso degli strumenti |
| Azioni degli strumenti entro le tue regole | Gli strumenti girano solo attraverso le tue regole e i tuoi permessi | Permessi degli agenti e configurazione degli strumenti |
| Streaming | Trasmette in streaming l’output del modello e degli strumenti, con ogni passaggio sempre entro le tue regole | Disponibile tramite le interfacce di agenti e modelli |
| Lavoro che prosegue | ||
| Imparare da ogni passaggio, automaticamente | Ogni passaggio, tramite MCP + hooks o i plugin, alimenta un unico ciclo di apprendimento condiviso | Il runtime di Letta archivia conversazioni e azioni degli agenti |
| Contesto tra sessioni | NativoLavoro, decisioni, compiti e il contesto che conta proseguono tra una sessione e l’altra | NativoGli agenti persistenti mantengono la memoria tra le conversazioni |
| 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 | Gli agenti persistenti possono portare avanti il lavoro, con un ciclo di vita stabilito dall’agente e dall’app |
| Tra modelli | NativoCiò che impara e il tuo contesto restano fuori dal modello, e seguono il lavoro tra fornitori | Solido: memoria e competenze nello spazio dei token possono sopravvivere a un cambio di modello |
| Tra app e agenti | Lo stesso lavoro prosegue in Claude, Codex, Cursor, Hermes e nei tuoi agenti | Gli agenti con stato sono raggiungibili tramite SDK e MCP ospitato |
| Passare il lavoro a un altro agente | Un compito e il suo contesto passano a un altro agente che autorizzi, pronti a proseguire | Agenti e repository condivisi possono supportare un passaggio di consegne |
| Mantenere compatto il contesto | Il contesto resta compatto, concentrato su regole, compiti e decisioni che contano | Organizzazione della memoria, riassunti e gestione del contesto in stile file |
| Imparare da immagini, audio, video e PDF | Impara da immagini, audio, video e PDF, come dal testo | Dipende dal modello collegato e dagli strumenti 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 | Dipende dal modello e da come è costruita la memoria |
| Persone, team e condivisione | ||
| Per ogni persona | NativoOgni persona ha il proprio contesto privato, le proprie preferenze e il proprio apprendimento | Memoria nativa per agente e per utente |
| Per ogni team | NativoI team condividono l’apprendimento approvato, e il lavoro privato resta privato | Repository di memoria condivisi e competenze |
| In tutta l’organizzazione | NativoCiò che funziona può passare da una persona al team e all’organizzazione, secondo le tue regole | Competenze e memoria si possono condividere in tutta l’organizzazione |
| Condivisione tra persone, sotto controllo | Scegli cosa condividere e con chi, e puoi ritirarlo; tutto ciò che è condiviso mostra da chi viene | Repository condivisi e permessi di collaborazione |
| Protezione dei contenuti condivisi | Ciò che qualcuno condivide arriva come informazione, mai come istruzione, quindi non può guidare l’agente di un’altra persona | Si basa sul contesto e sui permessi dell’agente |
| Controllo e fiducia | ||
| Le regole | Le tue regole fanno parte di come funziona Duplex: consentono, rifiutano o limitano azioni reali | Istruzioni e permessi plasmano il comportamento degli agenti |
| Regole applicate prima di ogni azione | NativoGli hook controllano ogni azione rispetto alle tue regole prima che venga eseguita | Dipende dal runtime di Letta, dai permessi e dall’host degli strumenti |
| Persone nel ciclo | Una persona conferma le azioni che scegli, e ciò che Duplex impara si può revisionare e annullare | Gli utenti possono ispezionare e gestire memoria e competenze |
| 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 | Conversazioni persistenti, memoria e stato degli agenti |
| Ricevute verificabili | Decisioni, competenze e cancellazioni possono avere ricevute verificabili | Ricordi e competenze con versioni |
| Annullare con esattezza ciò che ha appreso | NativoUna singola modifica appresa si può annullare con esattezza, senza riaddestrare nulla | Competenze e ricordi si possono modificare o riportare indietro tramite le versioni |
| 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 | Memoria e competenze si ripuliscono tramite file e versioni |
| Tenere separati i clienti | Ogni utente, team, organizzazione e cliente resta separato, in ogni integrazione e in tutto ciò che condivide | Permessi nel cloud e in self-hosting |
| 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 | Memoria e competenze restano ispezionabili |
| Dove gira e si collega | ||
| Qualsiasi fornitore di modelli | Un’unica intelligenza per OpenAI, Anthropic, Google, AWS e modelli compatibili | Un harness per agenti che funziona con qualsiasi modello |
| MCP | NativoTramite MCP + hooks, Duplex partecipa a ogni passaggio dei tuoi agenti | Con MCP ospitato, altri agenti possono creare agenti Letta con stato e inviare loro messaggi |
| 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, CLI e runtime 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 | Cloud, e un app server 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 | Contesto e competenze migliori danno risultati migliori, 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 | Un contesto meglio organizzato può ridurre il ragionamento sprecato |
| Sopravvive a un aggiornamento del modello | SìApprendimento, contesto, compiti e regole restano fuori da ogni singolo modello | SìMemoria e competenze sono volutamente indipendenti dal modello |
| 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 costruiscono agenti persistenti che migliorano da soli, basati su memoria e competenze nello spazio dei token |
Gli altri confronti.
- 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
- 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.