Duplex en AI-gateways,
naast elkaar.
Portkey, LiteLLM en vergelijkbare gateways routeren verkeer, passen guardrails toe en beheren aanbieders. Duplex leert welke beslissingen werken, en handelt ernaar binnen jouw regels, bij elke stap van het werk.
Vergelijking actueel per 16 oktober 2026.
Alle mogelijkheden: Duplex en AI-gateways.
Wat elk doet, groep voor groep, van wat het is tot wat het kost.
- 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.
| Mogelijkheid | Duplex | 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 | Modelroutering, betrouwbaarheid, guardrails en observability |
| Wat het meeneemt | Context, beslissingen, uitkomsten, regels, taken, skills en wat het heeft geleerd | Configuratie, logs, routeringsbeleid en caches |
| Wat beter wordt met ervaring | Zijn volgende beslissingen: zekerheid, routering, aanbevelingen, toolgebruik en herbruikbare kennis | 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 | Operationele controle zonder continu leren |
| Leren | ||
| Continu leren zonder hertraining | NativeHet blijft leren, buiten de gewichten van je model | Niet native |
| Aanpassing van beurt tot beurt | NativeElk nieuw resultaat kan de volgende beslissing meteen veranderen | Routering verandert meteen, maar niet op basis van geleerde uitkomsten |
| Leren van correcties | NativeEen correctie verandert wat Duplex hierna doet | Meestal gelogd; ervan leren gebeurt extern |
| Leren van uitkomsten | NativeSucces en mislukking gaan direct terug in wat het leert | Uitkomsten verschijnen in telemetrie; ervan leren gebeurt extern |
| Leren van beloningen | NativeEen beloning versterkt wat werkte en corrigeert wat niet werkte | Niet native |
| Eer voor de stappen achter een resultaat | NativeHet achterhaalt welke eerdere acties tot een later resultaat leidden | Niet native |
| Hoe acties het werk vooruithelpen | NativeHet leert hoe elke actie het werk van de ene toestand naar de volgende brengt | 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 | Niet native |
| Betere keuze van acties | NativeUitkomsten verbeteren welke actie het hierna kiest | 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 | Niet native |
| Skills testen en beheren | Een skill wordt getest voordat erop wordt vertrouwd, en kan worden gepauzeerd, teruggehaald, ingetrokken of definitief verwijderd | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | 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 | NativeSterke streaming |
| Werk dat doorloopt | ||
| Leren van elke stap, automatisch | Elke stap, via MCP + hooks of de plugins, voedt één gedeelde leerlus | 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 | 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 | Niet native |
| Over modellen heen | NativeWat het leert en je context blijven buiten het model, en volgen het werk over aanbieders heen | 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 | 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 | 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 | 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 | 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 | Niet native |
| Mensen, teams en delen | ||
| Voor elke persoon | NativeElke persoon krijgt een eigen privécontext, eigen voorkeuren en een eigen leerproces | Sleutels en budgetten per gebruiker; persoonlijk gedrag is extern |
| Voor elk team | NativeTeams delen goedgekeurd leren, en privéwerk blijft privé | 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 | 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 | 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 | 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 | Sterke guardrails voor in- en uitvoer, en routeringsbeleid |
| Regels toegepast vóór elke actie | NativeDe hooks toetsen elke actie aan je regels voordat die draait | 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 | 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 | 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 | 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 | 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 | 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 | 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 | Herkomst van verzoeken en aanbieders |
| Waar het draait en koppelt | ||
| Elke modelaanbieder | Één intelligentie voor OpenAI, Anthropic, Google, AWS en compatibele modellen | 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 | 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 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 | 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 | 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 | 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 | Caching, load balancing en keuze van aanbieder |
| Overleeft een modelupgrade | JaLeren, context, taken en regels blijven buiten elk afzonderlijk model | De routeringsconfiguratie overleeft, maar er blijft geen geleerd gedrag behouden |
| Fine-tuning nodig | NeeFine-tuning wordt een optionele extra stap | 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 vooral abstractie van aanbieders, betrouwbaarheid, guardrails en kostenbeheersing nodig hebben |
De andere vergelijkingen.
- Duplex en LettaStateful agents met geheugen en skills
- Duplex en CopilotKit CLiFEchte workflows, omgezet in skills
- Duplex en Deeplake HivemindGedeeld geheugen voor coding-agents
- Duplex en geheugenplatformsMem0, Zep, AgentCore Memory, Supermemory
- Duplex en fine-tuningFine-tuning en reinforcement fine-tuning
- De volledige vergelijkingDuplex naast alle zes, naast elkaar
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.