Duplex en CopilotKit CLiF,
naast elkaar.
CopilotKit CLiF zet echte workflows van gebruikers om in beoordeelde skills, evaluaties en trainingsdata. Duplex leert van elk resultaat terwijl het werk gebeurt, en handelt naar wat het leerde, binnen jouw regels.
Vergelijking actueel per 16 oktober 2026.
Alle mogelijkheden: Duplex en CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 full-stack pipeline die trajecten omzet in skills, evaluaties en trainingsdata |
| Wat het meeneemt | Context, beslissingen, uitkomsten, regels, taken, skills en wat het heeft geleerd | Threads, trajecten, inzichten, skills en evaluaties |
| Wat beter wordt met ervaring | Zijn volgende beslissingen: zekerheid, routering, aanbevelingen, toolgebruik en herbruikbare kennis | De instructies van de agent, via beoordeelde skills uit echte workflows |
| Weten wat er gebeurde, en ervan leren | NativeHet weet wat er gebeurde, en leert wat het hierna moet veranderen | Leren wordt gegenereerd uit opgeslagen trajecten |
| Leren | ||
| Continu leren zonder hertraining | NativeHet blijft leren, buiten de gewichten van je model | NativeSkill-leren; data voor fine-tuning is optioneel |
| Aanpassing van beurt tot beurt | NativeElk nieuw resultaat kan de volgende beslissing meteen veranderen | Analyse draait handmatig of volgens schema |
| Leren van correcties | NativeEen correctie verandert wat Duplex hierna doet | Wijzigingen van gebruikers en acties in de app voeden het leren |
| Leren van uitkomsten | NativeSucces en mislukking gaan direct terug in wat het leert | Uitkomsten uit de hele stack worden inzichten, skills, evaluaties en trainingsdata |
| Leren van beloningen | NativeEen beloning versterkt wat werkte en corrigeert wat niet werkte | Kan data voor fine-tuning maken uit geëvalueerde trajecten |
| Eer voor de stappen achter een resultaat | NativeHet achterhaalt welke eerdere acties tot een later resultaat leidden | Analyse van trajecten kan nuttige workflowpatronen blootleggen |
| Hoe acties het werk vooruithelpen | NativeHet leert hoe elke actie het werk van de ene toestand naar de volgende brengt | Kan workflows omzetten in skills |
| Voorspellen wat een actie zal doen | NativeUit wat het waarneemt, voorspelt het wat een actie zal doen, probeert het alternatieven en plant het | ExternOvergelaten aan het agentframework |
| Betere keuze van acties | NativeUitkomsten verbeteren welke actie het hierna kiest | Beoordeelde skills verbeteren de volgende instructies van de agent |
| Herbruikbare vaardigheden | NativeUit ervaring ontstaan skills die vóór gebruik getest zijn, en die je kunt pauzeren, terughalen of intrekken | NativeTrajecten worden beoordeelde skills, onderbouwd met bewijs |
| Skills testen en beheren | Een skill wordt getest voordat erop wordt vertrouwd, en kan worden gepauzeerd, teruggehaald, ingetrokken of definitief verwijderd | Gepubliceerd na menselijke beoordeling, geleverd in een vastgezette versie |
| Generaliseren naar verwante gevallen | Het neemt wat het leerde mee naar verwante gevallen en nieuwe bewoordingen, en naar skills die het kan hergebruiken | Skills vangen patronen uit veel trajecten in productie |
| Beslissen en handelen | ||
| Weten hoe zeker het is | NativeVóór elke beslissing weet het hoe bekend het geval is en hoe zeker het is | Gedreven door evaluatie, geen live maat voor zekerheid |
| Antwoorden, overdragen of weigeren | NativeDuplex antwoordt zelf, roept je model aan, gebruikt een tool of weigert, binnen jouw regels | ExternDe hostagent beslist hoe er wordt gehandeld |
| Bekend werk zelf beantwoorden | NativeHet neemt bekende beslissingen zelf, zonder nog een aanroep van een frontiermodel | Het model leest nog steeds de geleerde skill |
| Overdragen wat nieuw of onzeker is | Nieuw, onzeker of gevoelig werk gaat naar het juiste model, de juiste tool of de juiste persoon | ExternDe taak van de hostagent |
| Plannen, simulatie en aanbevelingen | NativeHet voorspelt wat er hierna gebeurt, probeert alternatieven, maakt plannen en beveelt acties aan | ExternDe taak van de hostagent |
| 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 | Werkt met ondersteunde agentframeworks |
| Leren welke tools werken | Het leert welke tools werken, wanneer het ze moet inzetten en waar elke tool toe leidt | Full-stack trajecten leggen tool- en gebruikersacties vast voor nieuwe skills |
| Toolacties binnen jouw regels | Tools draaien alleen via jouw regels en rechten | Beheerd door het agentframework van de host |
| Streaming | Het streamt uitvoer van model en tools, met elke stap nog steeds binnen jouw regels | Beschikbaar via ondersteunde agentframeworks |
| Werk dat doorloopt | ||
| Leren van elke stap, automatisch | Elke stap, via MCP + hooks of de plugins, voedt één gedeelde leerlus | AG-UI legt acties van agents en gebruikers vast als full-stack trajecten |
| Context over sessies heen | NativeWerk, beslissingen, taken en de context die ertoe doet, lopen door over sessies heen | Duurzame threads bewaren interacties in de app |
| 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 | Duurzame threads bewaren de geschiedenis van interacties |
| Over modellen heen | NativeWat het leert en je context blijven buiten het model, en volgen het werk over aanbieders heen | Sterk: skills kunnen worden geleverd aan ondersteunde agentstacks |
| Over apps en agents heen | Hetzelfde werk loopt door in Claude, Codex, Cursor, Hermes en je eigen agents | Skills kunnen worden geleverd via ondersteunde frameworkadapters |
| 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 trajecten en gepubliceerde skills houden gedrag consistent |
| Context compact houden | Context blijft compact, gericht op de regels, taken en beslissingen die ertoe doen | Trajecten worden gedistilleerd tot inzichten en skills |
| 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 de vastgelegde gebeurtenissen in de app en de agentstack |
| Over media heen | Een vraag in woorden kan putten uit wat is geleerd van afbeeldingen, audio en video, en media kunnen latere beslissingen vormen | Buiten de kernfocus van CLiF |
| Mensen, teams en delen | ||
| Voor elke persoon | NativeElke persoon krijgt een eigen privécontext, eigen voorkeuren en een eigen leerproces | Mogelijk via app-threads en leercontainers |
| Voor elk team | NativeTeams delen goedgekeurd leren, en privéwerk blijft privé | Gepubliceerde skills verspreiden wat het team leert |
| In de hele organisatie | NativeWat werkt, kan van één persoon naar het team en de organisatie gaan, volgens jouw regels | Beoordeelde skills kunnen worden verspreid over ondersteunde agents |
| 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 | Rechten per project en implementatie |
| Bescherming voor gedeelde inhoud | Wat iemand deelt, komt binnen als informatie, nooit als instructies, dus het kan de agent van een ander niet sturen | Ontwikkelaarsbeleid en toolbeperkingen gaan boven skills |
| Controle en vertrouwen | ||
| Je regels | Je regels horen bij hoe Duplex werkt: ze staan echte acties toe, weigeren ze of beperken ze | Geleerde skills kunnen veiligheidsregels van ontwikkelaars of toolbeperkingen niet opzijzetten |
| Regels toegepast vóór elke actie | NativeDe hooks toetsen elke actie aan je regels voordat die draait | Blijft bij de host-app en het agentframework |
| Mensen in het proces | Een persoon bevestigt de acties die je kiest, en wat Duplex leert, kan worden beoordeeld en ongedaan gemaakt | Een grondige beoordeling voordat geleerde skills worden gepubliceerd |
| 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 | Inzichten onderbouwd met bewijs, en de trajecten waar ze uit komen |
| Bonnetjes die je kunt verifiëren | Beslissingen, skills en verwijderingen kunnen komen met bonnetjes die je kunt verifiëren | Koppelingen naar bewijs en exacte skillrevisies |
| Precies ongedaan maken wat geleerd is | NativeÉén geleerde wijziging kan precies ongedaan worden gemaakt, zonder iets te hertrainen | Gepubliceerde skills kunnen worden herzien of ingetrokken |
| Vergeten dat alles bereikt wat erop is gebouwd | Iets verwijderen verwijdert ook wat eruit voortkwam: context, alles wat ervan gedeeld is en verwant leren | Betekent de betrokken inzichten, skills en afgeleide assets verwijderen |
| Klanten gescheiden houden | Elke gebruiker, elk team, elke organisatie en elke klant blijft gescheiden, in elke integratie en in alles wat het deelt | Isolatie per project en implementatie |
| Waar al het geleerde vandaan komt | Bij alles wat het leerde, zie je de bron, het bereik en hoe ver het te vertrouwen is | Inzichten en skills blijven gekoppeld aan de trajecten waar ze uit komen |
| Waar het draait en koppelt | ||
| Elke modelaanbieder | Één intelligentie voor OpenAI, Anthropic, Google, AWS en compatibele modellen | Werkt met ondersteunde agentframeworks en modellen |
| MCP | NativeVia MCP + hooks doet Duplex mee bij elke stap die je agents zetten | Skills kunnen via integraties agents en MCP-servers bereiken |
| Hooks en plugins | NativePlugins voor Claude, Codex, Cursor en Hermes, en hooks die Duplex bij elke stap betrekken en gevoelige toolacties controleren | AG-UI en frameworkadapters |
| Jouw cloud, of zelfgehost | Vareon cloud, jouw cloud of geen cloud: private cloud, je eigen account, zelfgehost of air-gapped | Intelligentie in de cloud en zelfgehost |
| 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 |
| Kosten, snelheid en geschiktheid | ||
| Hoe het modelkosten verlaagt | Duplex beantwoordt bekend werk zelf, zonder herhaalde aanroep van een frontiermodel | Betere skills verminderen fouten en herstelwerk, maar het model draait nog steeds |
| Hoe het latentie verlaagt | Beslissingen waar het zeker van is, komen snel terug; onzeker werk gaat nog steeds naar je frontiermodel | Skills maken de uitvoering directer |
| Overleeft een modelupgrade | JaLeren, context, taken en regels blijven buiten elk afzonderlijk model | JaSkills en trajecten blijven buiten de gewichten van het model |
| Fine-tuning nodig | NeeFine-tuning wordt een optionele extra stap | NeeNiet voor skills; CLiF kan ook data voor fine-tuning maken |
| 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 | Productteams die echte workflows van gebruikers omzetten in beoordeelde skills, evaluaties en trainingsmateriaal |
De andere vergelijkingen.
- Duplex en LettaStateful agents met geheugen en 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
- Duplex en AI-gatewaysPortkey, LiteLLM en vergelijkbare
- 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.