Geheugen onthoudt. Skills leggen vast. Fine-tuning hertraint. Gateways routeren.
Duplex sluit de cirkel.

De meeste AI-infrastructuur lost één deel van het werk op. Duplex brengt elk deel samen in één runtime-intelligentie die steeds beter wordt terwijl ze werkt.

Vergelijking actueel per 16 oktober 2026.

Bekijk alle mogelijkheden →Start een pilot

Elk lost één deel op.

Geheugenplatforms bewaren informatie. Skill-leren maakt van ervaring instructies. Fine-tuning verandert modelgewichten. AI-gateways routeren verzoeken en passen guardrails toe. Duplex brengt het allemaal samen, en blijft beter worden.

Geheugenplatforms geven een agent een verleden: feiten, berichten en episodes, opgehaald voor de volgende modelaanroep.

Alle mogelijkheden, naast elkaar.

Kies er een om naast Duplex te zetten, of bekijk ze allemaal tegelijk.

Native: Ingebouwd in hoe het product in de kern werkt.
Extern: Je levert het apart aan, of stelt het apart samen.
Niet native: De documentatie van het product vermeldt het niet als ingebouwde functie. Zelf bouwen is misschien nog wel mogelijk.

Naast Duplex zetten:

Mogelijkheid	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	GeheugenplatformsMem0, Zep, AgentCore Memory en Supermemory	Fine-tuning en RFT	AI-gatewaysPortkey, LiteLLM en vergelijkbare
Wat ze elk zijn
Wat het is	Een runtime-intelligentie naast je AI: ze leert en handelt voor je agents en assistenten, binnen jouw regels	Een stateful agentplatform, gebouwd rond persistent geheugen en leren in token-ruimte	Een full-stack pipeline die trajecten omzet in skills, evaluaties en trainingsdata	Gedeeld agentgeheugen dat traces automatisch omzet in skills	Persistente context, feiten, episodes en kennisgrafen	Een model aanpassen door het te trainen	Modelroutering, betrouwbaarheid, guardrails en observability
Wat het meeneemt	Context, beslissingen, uitkomsten, regels, taken, skills en wat het heeft geleerd	Agentgeheugen, gesprekken, bestanden en skills	Threads, trajecten, inzichten, skills en evaluaties	Sessies, herinneringen en skills, beperkt tot een werkruimte	Feiten, berichten, samenvattingen, episodes en graafrelaties	Een nieuwe set modelgewichten	Configuratie, logs, routeringsbeleid en caches
Wat beter wordt met ervaring	Zijn volgende beslissingen: zekerheid, routering, aanbevelingen, toolgebruik en herbruikbare kennis	Het toekomstige gedrag van de agent, via bijgewerkt geheugen en geleerde skills	De instructies van de agent, via beoordeelde skills uit echte workflows	Het gedrag in de volgende sessie, via gedistilleerde skills	Vooral de context die de volgende modelaanroep krijgt	De antwoorden van het onderliggende model	Routering en betrouwbaarheid van verzoeken, niet wat de agent heeft geleerd
Weten wat er gebeurde, en ervan leren	NativeHet weet wat er gebeurde, en leert wat het hierna moet veranderen	Beide zijn er, vooral via geheugen en skills in token-ruimte	Leren wordt gegenereerd uit opgeslagen trajecten	Gedeeld geheugen wordt omgezet in herbruikbare skills	Vooral geheugen; hoe ver het leert, verschilt per leverancier	Leren zonder blijvend operationeel geheugen	Operationele controle zonder continu leren
Leren
Continu leren zonder hertraining	NativeHet blijft leren, buiten de gewichten van je model	NativeLeren in token-ruimte en skill-leren	NativeSkill-leren; data voor fine-tuning is optioneel	NativeSkills leren uit traces	Verbetering via context; hoe diep die gaat, verschilt per platform	NeeHet leert door training	Niet native
Aanpassing van beurt tot beurt	NativeElk nieuw resultaat kan de volgende beslissing meteen veranderen	Door de agent beheerd geheugen kan continu veranderen; skill-leren volgt op afgeronde ervaring	Analyse draait handmatig of volgens schema	Skills worden op de achtergrond of aan het eind van een sessie gedistilleerd	Herinneringen kunnen continu worden toegevoegd, maar ze ophalen is geen aanpassen	Wacht tot een trainingsjob klaar is en het nieuwe model is uitgerold	Routering verandert meteen, maar niet op basis van geleerde uitkomsten
Leren van correcties	NativeEen correctie verandert wat Duplex hierna doet	Correcties kunnen geheugen bijwerken of geleerde skills voeden	Wijzigingen van gebruikers en acties in de app voeden het leren	Correcties en sessietraces kunnen skills worden	Correcties kunnen worden opgeslagen en als context opgehaald	Correcties moeten in een trainingsdataset of een beloningspipeline terechtkomen	Meestal gelogd; ervan leren gebeurt extern
Leren van uitkomsten	NativeSucces en mislukking gaan direct terug in wat het leert	Mogelijk via reflectie op trajecten en updates die de agent zelf beheert	Uitkomsten uit de hele stack worden inzichten, skills, evaluaties en trainingsdata	Nieuwe skills worden gehaald uit afgeronde sessies	Episodes kunnen worden opgeroepen, maar leren van uitkomsten gebeurt meestal extern	NativeAls uitkomsten in beloningen kunnen worden omgezet	Uitkomsten verschijnen in telemetrie; ervan leren gebeurt extern
Leren van beloningen	NativeEen beloning versterkt wat werkte en corrigeert wat niet werkte	Beloningen zijn niet de voornaamste manier waarop het leert	Kan data voor fine-tuning maken uit geëvalueerde trajecten	Beloningen zijn niet de voornaamste manier waarop het leert	Beloningen zijn geen gangbare geheugenfunctie	NativeBeloningen optimaliseren de gewichten van het model	Niet native
Eer voor de stappen achter een resultaat	NativeHet achterhaalt welke eerdere acties tot een later resultaat leidden	Letta biedt dit tijdens runtime niet native aan	Analyse van trajecten kan nuttige workflowpatronen blootleggen	Analyse van traces kan herbruikbare procedures vinden	Niet native	Kan correlaties leren uit trainingsvoorbeelden, maar kan een live resultaat niet herleiden tot de stappen erachter	Niet native
Hoe acties het werk vooruithelpen	NativeHet leert hoe elke actie het werk van de ene toestand naar de volgende brengt	De agent kan dit afleiden uit context	Kan workflows omzetten in skills	Kan succesvolle procedures vastleggen als skills	Opgeslagen episodes kunnen dienen als voorbeelden	Kan deze patronen tijdens training opnemen	Niet native
Voorspellen wat een actie zal doen	NativeUit wat het waarneemt, voorspelt het wat een actie zal doen, probeert het alternatieven en plant het	Het model redeneert over geheugen	ExternOvergelaten aan het agentframework	Niet native	Niet native	Impliciet in het getrainde model, waar je het niet kunt bewerken	Niet native
Betere keuze van acties	NativeUitkomsten verbeteren welke actie het hierna kiest	Gedrag verbetert via geheugen en skills	Beoordeelde skills verbeteren de volgende instructies van de agent	Gedistilleerde skills verbeteren de volgende procedures	Opgehaalde context kan gedrag indirect vormen	NativeDoor het model te optimaliseren	Routeringsbeleid wordt ingesteld, niet geleerd uit uitkomsten
Herbruikbare vaardigheden	NativeUit ervaring ontstaan skills die vóór gebruik getest zijn, en die je kunt pauzeren, terughalen of intrekken	NativeTrajecten kunnen blijvende skills worden die met elk model werken	NativeTrajecten worden beoordeelde skills, onderbouwd met bewijs	NativeSessies worden skill.md-bestanden voor de werkruimte	Hangt af van de leverancier; meestal niet waar de categorie om draait	Kennis wordt opgenomen in gewichten, niet verpakt als overdraagbare skills	Niet native
Skills testen en beheren	Een skill wordt getest voordat erop wordt vertrouwd, en kan worden gepauzeerd, teruggehaald, ingetrokken of definitief verwijderd	Skills zijn bestanden die je kunt inzien, beheren en versioneren	Gepubliceerd na menselijke beoordeling, geleverd in een vastgezette versie	Skills blijven bestanden die je kunt inzien en bewerken, gekoppeld aan de sessies waar ze uit komen	Meestal een levenscyclus per record, niet per skill	Evaluatie gebeurt rond training en uitrol	Configuratieversies, geen levenscyclus voor geleerde skills
Generaliseren naar verwante gevallen	Het neemt wat het leerde mee naar verwante gevallen en nieuwe bewoordingen, en naar skills die het kan hergebruiken	Skills in token-ruimte generaliseren procedures over taken heen	Skills vangen patronen uit veel trajecten in productie	Skills vangen patronen die over sessies heen terugkomen	Semantische retrieval vindt verwante informatie, en dat is niet hetzelfde als gedrag generaliseren	Generaliseert via de getrainde gewichten	Semantische caches herkennen vergelijkbare verzoeken, maar leren niet hoe ze moeten handelen
Beslissen en handelen
Weten hoe zeker het is	NativeVóór elke beslissing weet het hoe bekend het geval is en hoe zeker het is	Vooral het oordeel van het model en hoe relevant het geheugen is	Gedreven door evaluatie, geen live maat voor zekerheid	Hoe relevant retrieval en skills zijn, geen maat voor zekerheid	Retrievalscores en relevantiesignalen	De zekerheid van het model moet apart worden gemeten	Gezondheid van aanbieders, routering en guardrailscores, geen zekerheid over de taak
Antwoorden, overdragen of weigeren	NativeDuplex antwoordt zelf, roept je model aan, gebruikt een tool of weigert, binnen jouw regels	De agent gaat meestal verder via het redeneren van het model	ExternDe hostagent beslist hoe er wordt gehandeld	ExternDe hostagent beslist hoe er wordt gehandeld	ExternDe hostapplicatie beslist hoe er wordt gehandeld	Het getrainde model draait nog steeds bij elk verzoek	Routeren, opnieuw proberen, blokkeren of terugvallen, zonder te leren van uitkomsten
Bekend werk zelf beantwoorden	NativeHet neemt bekende beslissingen zelf, zonder nog een aanroep van een frontiermodel	Het model interpreteert nog steeds geheugen of skills	Het model leest nog steeds de geleerde skill	Het model leest nog steeds de geleerde skill	Het model leest normaal gesproken de opgehaalde context	Het aangepaste model draait nog steeds	Een cache kan een modelaanroep overslaan, maar een cache leert niet van uitkomsten
Overdragen wat nieuw of onzeker is	Nieuw, onzeker of gevoelig werk gaat naar het juiste model, de juiste tool of de juiste persoon	De agent en het model beslissen wanneer er meer hulp nodig is	ExternDe taak van de hostagent	ExternDe taak van de hostagent	ExternDe taak van de applicatie	ExternDe taak van de applicatie	Sterke routering en fallback tussen aanbieders; zekerheid over de taak blijft extern
Plannen, simulatie en aanbevelingen	NativeHet voorspelt wat er hierna gebeurt, probeert alternatieven, maakt plannen en beveelt acties aan	Vooral via het redeneren van het model en tools van de agent	ExternDe taak van de hostagent	ExternDe taak van de hostagent	Geheugen levert context; plannen blijft extern	Het model plant misschien beter, maar de stand van het werk blijft extern	Niet native
Veel agents die samenwerken	Het stuurt werk naar de juiste agent, verdeelt het binnen jouw regels, houdt elke agent binnen zijn bereik en brengt de resultaten samen	Agents, subagents en gedeeld geheugen zijn beschikbaar	Werkt met ondersteunde agentframeworks	Deelt lessen tussen verbonden agents	Gedeeld geheugen kan meerdere agents bedienen	Niet native	Sommige routeren naar agents en MCP-tools, maar leren niet welke samenwerking werkte
Leren welke tools werken	Het leert welke tools werken, wanneer het ze moet inzetten en waar elke tool toe leidt	Skills en geheugen kunnen toolgebruik verbeteren	Full-stack trajecten leggen tool- en gebruikersacties vast voor nieuwe skills	Tooltraces kunnen herbruikbare procedures worden	Toolresultaten kunnen worden onthouden	Toolgedrag kan verbeteren door training	Ze stellen tools beschikbaar en routeren ze, maar leren meestal niet van hun uitkomsten
Toolacties binnen jouw regels	Tools draaien alleen via jouw regels en rechten	Agentrechten en toolconfiguratie	Beheerd door het agentframework van de host	Beheerd door de coding-agent van de host	ExternOvergelaten aan de applicatie in systemen met alleen geheugen	Extern	Sterke routering en guardrails; controle over agentacties hangt af van de integratie
Streaming	Het streamt uitvoer van model en tools, met elke stap nog steeds binnen jouw regels	Beschikbaar via agent- en modelinterfaces	Beschikbaar via ondersteunde agentframeworks	Hangt af van de hostagent	Hangt af van de leverancier	Hangt af van de modelaanbieder	NativeSterke streaming
Werk dat doorloopt
Leren van elke stap, automatisch	Elke stap, via MCP + hooks of de plugins, voedt één gedeelde leerlus	De Letta-runtime slaat gesprekken en acties van agents op	AG-UI legt acties van agents en gebruikers vast als full-stack trajecten	Agentsessies en toolactiviteit worden automatisch vastgelegd	SDK- of harness-integraties leggen berichten en gebeurtenissen vast	Voor training moeten logs of datasets worden aangeleverd	Verzoeken, antwoorden, kosten en latentie worden gelogd
Context over sessies heen	NativeWerk, beslissingen, taken en de context die ertoe doet, lopen door over sessies heen	NativePersistente agents behouden hun geheugen over gesprekken heen	Duurzame threads bewaren interacties in de app	NativeGedeeld geheugen blijft bestaan na agentsessies	NativeDit is waar de categorie om draait	Niet native	ExternMeestal
Langlopend werk	NativeLangdurig werk blijft open over sessies en agents heen, met veilige punten om naar terug te keren, tot het af is of vergeten wordt	Persistente agents kunnen werk voortzetten, met een levenscyclus die de agent en de app bepalen	Duurzame threads bewaren de geschiedenis van interacties	Sessiegeheugen helpt werk weer op te pakken	Context kan worden opgehaald, maar de stand van taken beheren gebeurt extern	Niet native	Niet native
Over modellen heen	NativeWat het leert en je context blijven buiten het model, en volgen het werk over aanbieders heen	Sterk: geheugen en skills in token-ruimte kunnen een modelwissel overleven	Sterk: skills kunnen worden geleverd aan ondersteunde agentstacks	Sterk: skills en geheugen kunnen door verschillende coding-agents worden hergebruikt	Meestal sterk, omdat geheugen niet van het model afhangt	Zwak: een nieuw basismodel moet meestal opnieuw worden getraind of gevalideerd	Sterk voor routering, maar er gaat niets geleerds mee
Over apps en agents heen	Hetzelfde werk loopt door in Claude, Codex, Cursor, Hermes en je eigen agents	Stateful agents zijn bereikbaar via SDK’s en gehoste MCP	Skills kunnen worden geleverd via ondersteunde frameworkadapters	Gedeeld geheugen verbindt Claude Code, Codex, Cursor en andere agents	Mogelijk als apps dezelfde geheugenidentiteit delen	Niet native	Verzoeken kunnen één gateway delen, maar wat elke app weet, blijft extern
Werk overdragen aan een andere agent	Een taak en de context gaan over naar een andere agent die je toestaat, klaar om verder te gaan	Gedeelde agents en repository’s kunnen een overdracht ondersteunen	Gedeelde trajecten en gepubliceerde skills houden gedrag consistent	Werkruimteskills geven lessen door tussen agents	Een andere bevoegde agent kan de gedeelde context ophalen	Niet native	Routering naar agents en MCP is mogelijk beschikbaar; wat de taak betekent, blijft extern
Context compact houden	Context blijft compact, gericht op de regels, taken en beslissingen die ertoe doen	Geheugenorganisatie, samenvattingen en contextbeheer in bestandsvorm	Trajecten worden gedistilleerd tot inzichten en skills	Sessies worden gedistilleerd tot compacte skills	Samenvattingen, geëxtraheerde herinneringen en episodische records	Niet native	Prompts inkorten of cachen, geen blijvende samenvatting van wat ertoe doet
Leren van afbeeldingen, audio, video en PDF’s	Het leert van afbeeldingen, audio, video en PDF’s, zoals het van tekst leert	Hangt af van het gekoppelde model en de tools van de agent	Hangt af van de vastgelegde gebeurtenissen in de app en de agentstack	Vooral gericht op sessies en tooltraces	Hangt af van de leverancier en het model	Ondersteund als het model en de trainingsdienst het medium accepteren	Geeft ondersteunde media vooral door aan aanbieders
Over media heen	Een vraag in woorden kan putten uit wat is geleerd van afbeeldingen, audio en video, en media kunnen latere beslissingen vormen	Hangt af van het model en hoe het geheugen is gebouwd	Buiten de kernfocus van CLiF	Buiten de kernfocus van Hivemind	Beschikbaar in producten die meer dan tekst indexeren	Vastgelegd in gewichten als de training het ondersteunt	Niet native
Mensen, teams en delen
Voor elke persoon	NativeElke persoon krijgt een eigen privécontext, eigen voorkeuren en een eigen leerproces	Native geheugen per agent en per gebruiker	Mogelijk via app-threads en leercontainers	Beschikbaar op persoonlijk niveau of op werkruimteniveau	Sterk geheugen per gebruiker of per actor	Vraagt meestal een apart getraind of aangepast model	Sleutels en budgetten per gebruiker; persoonlijk gedrag is extern
Voor elk team	NativeTeams delen goedgekeurd leren, en privéwerk blijft privé	Gedeelde geheugenrepository’s en skills	Gepubliceerde skills verspreiden wat het team leert	Gedeeld werkruimtegeheugen en skills	Beschikbaar via namespaces, grafen of gedeelde opslag	Vraagt meestal gedeelde trainingsdata en een gedeeld model	Configuratie en budgetten per team
In de hele organisatie	NativeWat werkt, kan van één persoon naar het team en de organisatie gaan, volgens jouw regels	Skills en geheugen kunnen in de hele organisatie worden gedeeld	Beoordeelde skills kunnen worden verspreid over ondersteunde agents	Lessen uit de werkruimte kunnen zich verspreiden over verbonden agents	Gedeeld organisatiegeheugen is mogelijk	Een eigen model kan gemeenschappelijk gedrag voor de organisatie vastleggen	Routering en guardrails in de hele organisatie, zonder te leren van uitkomsten
Delen tussen mensen, onder controle	Jij kiest wat wordt gedeeld en met wie, en kunt het intrekken; alles wat gedeeld is, toont van wie het komt	Gedeelde repository’s en rechten voor samenwerking	Rechten per project en implementatie	Toegangscontrole per werkruimte	Leverancierspecifieke namespaces, IAM of graafrechten	Toegangscontrole voor datasets en modellen	Controle per sleutel, team en rol
Bescherming voor gedeelde inhoud	Wat iemand deelt, komt binnen als informatie, nooit als instructies, dus het kan de agent van een ander niet sturen	Steunt op agentcontext en rechten	Ontwikkelaarsbeleid en toolbeperkingen gaan boven skills	Steunt op hoe skills laden, en op vertrouwen in de werkruimte	Hangt af van de app en de leverancier	Trainingsdata heeft vóór de training eigen controles nodig	Guardrails kunnen gedeelde invoer inspecteren, maar vertrouwen in wat die betekent, blijft extern
Controle en vertrouwen
Je regels	Je regels horen bij hoe Duplex werkt: ze staan echte acties toe, weigeren ze of beperken ze	Instructies en rechten vormen het gedrag van agents	Geleerde skills kunnen veiligheidsregels van ontwikkelaars of toolbeperkingen niet opzijzetten	Skills sturen de agent, maar dwingen zelf niets af	Context kan gedrag informeren, maar geeft geen toestemming voor acties	Gedrag wordt gevormd door training, niet door live regels	Sterke guardrails voor in- en uitvoer, en routeringsbeleid
Regels toegepast vóór elke actie	NativeDe hooks toetsen elke actie aan je regels voordat die draait	Hangt af van de Letta-runtime, rechten en toolhost	Blijft bij de host-app en het agentframework	Blijft bij de hostagent	Geheugen levert context, maar geeft geen toestemming voor acties naar buiten	Extern	Sterk voor verzoeken en antwoorden die via de gateway lopen
Mensen in het proces	Een persoon bevestigt de acties die je kiest, en wat Duplex leert, kan worden beoordeeld en ongedaan gemaakt	Gebruikers kunnen geheugen en skills inzien en beheren	Een grondige beoordeling voordat geleerde skills worden gepubliceerd	Skills kunnen vóór hergebruik worden ingezien en bewerkt	Bepaald door de app	Beoordeling van training, evaluatie en goedkeuring vóór uitrol	Goedkeuringsworkflows verschillen per gateway
Een geschiedenis die je kunt controleren	Een geschiedenis van elke beslissing, waar die vandaan kwam en wat eruit voortkwam, die niet stilletjes kan worden veranderd	Persistente gesprekken, geheugen en agenttoestand	Inzichten onderbouwd met bewijs, en de trajecten waar ze uit komen	Skills gekoppeld aan sessies, en opgeslagen traces	Geschiedenis, herkomstregistratie en auditcontroles verschillen per leverancier	Trainingsjobs, datasets, beloningsmetrics en modelversies	Uitgebreide logs van verzoeken, antwoorden, kosten en beleid
Bonnetjes die je kunt verifiëren	Beslissingen, skills en verwijderingen kunnen komen met bonnetjes die je kunt verifiëren	Herinneringen en skills met versiebeheer	Koppelingen naar bewijs en exacte skillrevisies	Skillbestanden gekoppeld aan hun bronsessies	Herkomstregistratie verschilt per leverancier	Modelevaluatie en trainingsrapporten	Logs en guardrailresultaten, geen bonnetjes voor wat er geleerd is
Precies ongedaan maken wat geleerd is	NativeÉén geleerde wijziging kan precies ongedaan worden gemaakt, zonder iets te hertrainen	Skills en herinneringen kunnen worden bewerkt of via versies teruggedraaid	Gepubliceerde skills kunnen worden herzien of ingetrokken	Skillbestanden kunnen worden bewerkt of verwijderd	Herinneringen kunnen worden gewist, maar het gedrag dat erop is gebouwd, wordt niet precies teruggedraaid	Een hele modelversie terugdraaien, of hertrainen zonder het voorbeeld	Configuratie en cache-items kunnen worden verwijderd; er is niets geleerds om terug te draaien
Vergeten dat alles bereikt wat erop is gebouwd	Iets verwijderen verwijdert ook wat eruit voortkwam: context, alles wat ervan gedeeld is en verwant leren	Geheugen en skills worden opgeschoond via bestanden en versies	Betekent de betrokken inzichten, skills en afgeleide assets verwijderen	Betekent de betrokken sessies en gegenereerde skills verwijderen	Wist meestal records; afgeleide samenvattingen en kopieën elders vragen een aparte aanpak	Vraagt machine unlearning of hertraining	Logs en caches volgen hun eigen bewaartermijn
Klanten gescheiden houden	Elke gebruiker, elk team, elke organisatie en elke klant blijft gescheiden, in elke integratie en in alles wat het deelt	Rechten in de cloud en bij zelfhosting	Isolatie per project en implementatie	Geheugen en skills beperkt tot een werkruimte	Isolatie per gebruiker, actor, namespace, graaf of IAM	Cloud-IAM en grenzen voor modeltoegang	Volwassen isolatie per sleutel, team, budget en rol
Waar al het geleerde vandaan komt	Bij alles wat het leerde, zie je de bron, het bereik en hoe ver het te vertrouwen is	Geheugen en skills blijven inzichtelijk	Inzichten en skills blijven gekoppeld aan de trajecten waar ze uit komen	Skills kunnen terugverwijzen naar hun bronsessies	Sterk in producten met temporele grafen; elders wisselend	Herkomst van datasets en trainingsmetadata	Herkomst van verzoeken en aanbieders
Waar het draait en koppelt
Elke modelaanbieder	Één intelligentie voor OpenAI, Anthropic, Google, AWS en compatibele modellen	Een agent-harness dat met elk model werkt	Werkt met ondersteunde agentframeworks en modellen	Werkt met verschillende coding-agents en hun modellen	Meestal onafhankelijk van het model	Meestal gebonden aan het aangepaste model en de trainingsaanbieder	NativeAbstractie van aanbieders is waar de categorie het best in is
MCP	NativeVia MCP + hooks doet Duplex mee bij elke stap die je agents zetten	Met gehoste MCP kunnen andere agents stateful Letta-agents aanmaken en berichten sturen	Skills kunnen via integraties agents en MCP-servers bereiken	Koppelt met grote coding-agents; hoe precies, verschilt per client	Beschikbaar in verschillende producten, waaronder Supermemory en AgentCore	Niet native	Steeds vaker native
Hooks en plugins	NativePlugins voor Claude, Codex, Cursor en Hermes, en hooks die Duplex bij elke stap betrekken en gevoelige toolacties controleren	Integratie via SDK, CLI en agent-runtime	AG-UI en frameworkadapters	Automatische vastlegging van sessies van coding-agents	SDK- en MCP-integraties	Gegevensverzameling moet apart worden gebouwd	Integratie via SDK en proxy, geen hooks die leren van agentsessies
Jouw cloud, of zelfgehost	Vareon cloud, jouw cloud of geen cloud: private cloud, je eigen account, zelfgehost of air-gapped	Cloud, en een zelfgehoste app-server	Intelligentie in de cloud en zelfgehost	Lokale agentintegratie; implementatieopties verschillen	Leverancierspecifiek; er zijn open-source en beheerde opties	Training in de cloud en gehoste inferentie	Gehoste en zelfgehoste opties verschillen per gateway
Geen cloud: air-gapped	Gebouwd voor implementaties waar niets naar buiten mag, met lokale modellen, lokale afhankelijkheden en je eigen identiteitsprovider	Mogelijk met een zelfgehoste stack en lokale afhankelijkheden	Mogelijk met een zelfgehoste stack en lokale afhankelijkheden	Hangt af van de gekozen implementatie en modeldiensten	Hangt af van het platform	Beperkt tot diensten die offline training en inferentie ondersteunen	Beschikbaar met zelfgehoste gateways en lokale aanbieders
Kosten, snelheid en geschiktheid
Hoe het modelkosten verlaagt	Duplex beantwoordt bekend werk zelf, zonder herhaalde aanroep van een frontiermodel	Betere context en skills verbeteren resultaten, maar het model draait nog steeds	Betere skills verminderen fouten en herstelwerk, maar het model draait nog steeds	Betere skills verminderen herhaalde fouten, maar het model draait nog steeds	Betere context vermindert herhaling, maar voegt retrieval toe en roept het model nog steeds aan	Een kleiner aangepast model kan de kwaliteit geven die je nodig hebt	Caching, goedkopere modellen, batching en keuze van aanbieder
Hoe het latentie verlaagt	Beslissingen waar het zeker van is, komen snel terug; onzeker werk gaat nog steeds naar je frontiermodel	Beter georganiseerde context kan verspild redeneren verminderen	Skills maken de uitvoering directer	Skills verkorten het steeds opnieuw uitzoeken	Snellere retrieval en kleinere context	Hangt af van het aangepaste model	Caching, load balancing en keuze van aanbieder
Overleeft een modelupgrade	JaLeren, context, taken en regels blijven buiten elk afzonderlijk model	JaGeheugen en skills zijn bewust onafhankelijk van het model	JaSkills en trajecten blijven buiten de gewichten van het model	JaSkills overleven een wissel van coding-agent of model	JaOpgeslagen context hangt niet af van het model	De aanpassing hoort bij één modelcheckpoint, dus die gaat niet automatisch mee	De routeringsconfiguratie overleeft, maar er blijft geen geleerd gedrag behouden
Fine-tuning nodig	NeeFine-tuning wordt een optionele extra stap	Nee	NeeNiet voor skills; CLiF kan ook data voor fine-tuning maken	Nee	Nee	Ja	Nee
Het best geschikt voor	Organisaties waarvan de AI-agents moeten leren, binnen regels handelen, werk meenemen en beter worden over modellen heen, als één systeem	Teams die persistente, zichzelf verbeterende agents bouwen rond geheugen en skills in token-ruimte	Productteams die echte workflows van gebruikers omzetten in beoordeelde skills, evaluaties en trainingsmateriaal	Teams die willen dat coding-agents automatisch sessies delen en lessen hergebruiken	Apps die vooral duurzame, relevante context over gebruikers of het bedrijf nodig hebben	Stabiele taken met hoog volume, waarbij het model zelf gespecialiseerd moet zijn	Teams die vooral abstractie van aanbieders, betrouwbaarheid, guardrails en kostenbeheersing nodig hebben

Één gesloten cirkel.

In Duplex worden context, leren, skills en je regels één cirkel, die draait terwijl het werk gebeurt.

Duplex begrijpt de taak die voorligt en haalt de context terug die ertoe doet.

Waarom het ertoe doet.

Een AI-model kan intelligent zijn zonder ooit ervaring op te doen met jouw werk.

Een geheugensysteem laat het model zien wat er eerder gebeurde, maar beslist niet wat er moet veranderen. Een skillsysteem verpakt een les, maar het model moet die nog steeds lezen en volgen. Fine-tuning verandert het model, via een tragere trainingscyclus die moeilijk terug te draaien is. Een gateway regelt het verkeer, maar leert niet welke beslissing tot de beste uitkomst leidde.

Duplex zet ervaring om in verbetering terwijl het werkt, binnen jouw regels.

Zo bouw je een ander soort kapitaal op. Elke bevestigde correctie, elke geslaagde workflow, elk nuttig toolresultaat en elke afgeronde taak versterkt de intelligentie rond je model, en niets daarvan zit vast bij één modelleverancier.

Onder de streep.

GeheugenGeeft een agent een verleden.
SkillsGeven een agent herbruikbare instructies.
Fine-tuningGeeft een model andere gewichten.
GatewaysGeven een AI-stack controle over het verkeer.
DuplexGeeft het hele agentsysteem het vermogen om ervaring mee te nemen, van resultaten te leren, binnen jouw regels te handelen en over modellen heen beter te worden, na verloop van tijd.

Van de bekeken producten en categorieën is Duplex de enige die is gebouwd om dit te combineren:

Context over sessies heen
Continu leren van uitkomsten
Leren van correcties en beloningen
Eer voor de stappen achter een resultaat
Leren hoe acties het werk vooruithelpen, en voorspellen wat er komt
Beslissingen die weten hoe zeker ze zijn
Overdragen aan het juiste model, de juiste tool of de juiste persoon
Langdurig werk dat doorloopt
Leren voor elke persoon, elk team en elke organisatie
Je regels, toegepast vóór elke actie
Toolacties binnen jouw regels
Delen tussen mensen, onder controle
Precies ongedaan maken wat geleerd is
Vergeten dat alles bereikt wat erop is gebouwd
Waar al het geleerde vandaan komt, met bonnetjes
MCP + hooks, en plugins voor de assistenten die je gebruikt
Continuïteit over modellen en apps heen
Jouw cloud, zelfgehost of air-gapped
Minder modelaanroepen, omdat bekend werk direct wordt beantwoord

Duplex maakt je AI-systemen met elke ervaring beter in het werk.

De bronnen.

De productpagina’s en documentatie waarop deze vergelijking is gebaseerd.

Vergelijking actueel per 16 oktober 2026.

Zie Duplex in je eigen werk.

Vergelijk het waar het telt: een pilot zet Duplex in op je eigen werk, met maatstaven die vóór de start zijn afgesproken.

Start een pilot →Maak kennis met Duplex

Geheugen onthoudt. Skills leggen vast. Fine-tuning hertraint. Gateways routeren.
Duplex sluit de cirkel.

Elk lost één deel op.

Geheugenplatforms geven een agent een verleden: feiten, berichten en episodes, opgehaald voor de volgende modelaanroep.

Skill-leren geeft een agent herbruikbare instructies, ontleend aan het werk dat goed ging.

Fine-tuning geeft een model andere gewichten, één trainingsrun tegelijk.

AI-gateways geven een AI-stack controle over het verkeer: routering, herhaalpogingen, guardrails en kosten.

Duplex sluit de cirkel: het neemt context mee, leert van elke correctie en uitkomst, handelt binnen jouw regels en laat elk model dat je kiest profiteren van wat het leerde.

Alle mogelijkheden, naast elkaar.

Één gesloten cirkel.

Duplex begrijpt de taak die voorligt en haalt de context terug die ertoe doet.

Het weet of het geval bekend of onzeker is, of onder een van je regels valt.

Het beslist of het zelf handelt, een model aanroept, een tool gebruikt of weigert.

Het leert wat er gebeurde, en of het werkte.

Het geeft de eer aan de beslissingen en acties die het resultaat opleverden.

Het verandert wat het hierna doet, zonder te wachten op een hertrainingscyclus.

Het neemt wat het leerde mee over sessies, apps, agents en modelaanbieders heen.

Het kan ongewenst leren terugdraaien en precies tonen wat er veranderde.

Waarom het ertoe doet.

Onder de streep.

De bronnen.

Zie Duplex in je eigen werk.

Geheugen onthoudt. Skills leggen vast. Fine-tuning hertraint. Gateways routeren.Duplex sluit de cirkel.

Elk lost één deel op.

Geheugenplatforms geven een agent een verleden: feiten, berichten en episodes, opgehaald voor de volgende modelaanroep.

Alle mogelijkheden, naast elkaar.

Één gesloten cirkel.

Duplex begrijpt de taak die voorligt en haalt de context terug die ertoe doet.

Waarom het ertoe doet.

Onder de streep.

De bronnen.

Zie Duplex in je eigen werk.

Geheugen onthoudt. Skills leggen vast. Fine-tuning hertraint. Gateways routeren.
Duplex sluit de cirkel.