Minne husker. Ferdigheter nedfeller. Finjustering trener om. Gatewayer ruter.
Duplex lukker sløyfen.

Det meste av KI-infrastrukturen løser én del av arbeidet. Duplex samler alle delene i én kjøretidsintelligens som stadig blir bedre mens den arbeider.

Sammenligningen gjelder per 16. oktober 2026.

Se alle evnene →Start en pilot

Hver av dem løser én del.

Minneplattformer tar vare på informasjon. Ferdighetslæring gjør erfaring om til instrukser. Finjustering endrer modellvekter. KI-gatewayer ruter forespørsler og håndhever sikkerhetsrammer. Duplex samler alt dette, og blir stadig bedre.

Minneplattformer gir en agent en fortid: fakta, meldinger og episoder, hentet fram til neste modellkall.

Alle evner, side om side.

Velg én å sette ved siden av Duplex, eller se alle på en gang.

Innebygd: Bygget inn i hvordan produktet fungerer i kjernen.
Ekstern: Du sørger for det, eller setter det sammen, separat.
Ikke innebygd: Produktets dokumentasjon oppgir det ikke som en innebygd funksjon. En egen løsning kan likevel være mulig.

Sett ved siden av Duplex:

Evne	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	MinneplattformerMem0, Zep, AgentCore Memory og Supermemory	Finjustering og RFT	KI-gatewayerPortkey, LiteLLM og lignende
Hva hver av dem er
Hva det er	En kjøretidsintelligens ved siden av KI-en din: den lærer og handler for agentene og assistentene dine, innenfor reglene dine	En agentplattform med tilstand, bygget rundt varig minne og læring i token-rommet	En fullstack-pipeline som gjør trajektorier om til ferdigheter, evalueringer og treningsdata	Delt agentminne som automatisk gjør spor om til ferdigheter	Varig kontekst, fakta, episoder og kunnskapsgrafer	Å tilpasse en modell ved å trene den	Modellruting, pålitelighet, sikkerhetsrammer og observerbarhet
Hva som føres videre	Kontekst, beslutninger, utfall, regler, oppgaver, ferdigheter og det den har lært	Agentminne, samtaler, filer og ferdigheter	Tråder, trajektorier, innsikter, ferdigheter og evalueringer	Økter, minner og ferdigheter avgrenset til et arbeidsområde	Fakta, meldinger, sammendrag, episoder og grafrelasjoner	Et nytt sett med modellvekter	Konfigurasjon, logger, rutingsregler og cacher
Hva som blir bedre med erfaring	De neste beslutningene: hvor sikker den er, ruting, anbefalinger, verktøybruk og gjenbrukbar kunnskap	Agentens framtidige atferd, via oppdatert minne og lærte ferdigheter	Agentens instrukser, via gjennomgåtte ferdigheter hentet fra virkelige arbeidsflyter	Atferden i neste økt, via destillerte ferdigheter	Hovedsakelig konteksten som gis til neste modellkall	Svarene fra den underliggende modellen	Ruting av forespørsler og pålitelighet, ikke det agenten har lært
Å vite hva som skjedde, og lære av det	InnebygdDen vet hva som skjedde, og lærer hva den skal endre neste gang	Begge deler finnes, hovedsakelig via minne og ferdigheter i token-rommet	Læring genereres fra lagrede trajektorier	Delt minne gjøres om til gjenbrukbare ferdigheter	Hovedsakelig minne; hvor mye den lærer, varierer mellom leverandører	Læring uten varig operativt minne	Operativ kontroll uten kontinuerlig læring
Læring
Kontinuerlig læring uten omtrening	InnebygdDen fortsetter å lære, utenfor vektene i modellen din	InnebygdLæring i token-rommet og ferdighetslæring	InnebygdFerdighetslæring; data til finjustering er valgfritt	InnebygdLæring av ferdigheter fra spor	Forbedring via kontekst; hvor dypt det går, varierer mellom plattformer	NeiTrening er måten den lærer på	Ikke innebygd
Tilpasning tur for tur	InnebygdHvert nytt resultat kan endre neste beslutning med en gang	Minne som agenten selv styrer, kan endres fortløpende; ferdighetslæring kommer etter avsluttet erfaring	Analysen kjøres manuelt eller etter en tidsplan	Ferdigheter destilleres i bakgrunnen eller på slutten av en økt	Minner kan legges til fortløpende, men å hente dem fram er ikke å tilpasse seg	Venter til en treningsjobb er ferdig og den nye modellen er satt i drift	Rutingen endres med en gang, men ikke ut fra lærte utfall
Læring av rettelser	InnebygdEn rettelse endrer det Duplex gjør videre	Rettelser kan oppdatere minnet eller mate lærte ferdigheter	Brukerendringer og handlinger i appen mater læringen	Rettelser og spor fra økter kan bli ferdigheter	Rettelser kan lagres og hentes fram som kontekst	Rettelser må inn i et treningsdatasett eller en belønningspipeline	Vanligvis logget; læring av dem skjer eksternt
Læring av utfall	InnebygdSuksess og feil går rett tilbake inn i det den lærer	Mulig via refleksjon over trajektorier og oppdateringer agenten selv styrer	Utfall i hele stacken blir innsikter, ferdigheter, evalueringer og treningsdata	Nye ferdigheter hentes fra avsluttede økter	Episoder kan hentes fram, men læring av utfall skjer som regel eksternt	InnebygdNår utfall kan gjøres om til belønninger	Utfall vises i telemetrien; læring av dem skjer eksternt
Læring av belønninger	InnebygdEn belønning forsterker det som virket, og retter opp det som ikke gjorde det	Belønninger er ikke hovedmåten den lærer på	Kan lage data til finjustering fra evaluerte trajektorier	Belønninger er ikke hovedmåten den lærer på	Belønninger er ikke en vanlig minnefunksjon	InnebygdBelønninger optimaliserer modellens vekter	Ikke innebygd
Æren for stegene bak et resultat	InnebygdDen finner ut hvilke tidligere handlinger som førte til et senere resultat	Letta tilbyr ikke dette innebygd under kjøring	Analyse av trajektorier kan avdekke nyttige mønstre i arbeidsflyten	Analyse av spor kan finne gjenbrukbare prosedyrer	Ikke innebygd	Kan lære sammenhenger fra treningseksempler, men kan ikke spore et resultat i drift tilbake til stegene bak det	Ikke innebygd
Hvordan handlinger fører arbeidet videre	InnebygdDen lærer hvordan hver handling fører arbeidet fra én tilstand til den neste	Agenten kan utlede dette fra konteksten	Kan gjøre arbeidsflyter om til ferdigheter	Kan fange opp vellykkede prosedyrer som ferdigheter	Lagrede episoder kan fungere som eksempler	Kan ta opp i seg disse mønstrene under trening	Ikke innebygd
Å forutsi hva en handling vil gjøre	InnebygdUt fra det den observerer, forutsier den hva en handling vil gjøre, prøver alternativer og planlegger	Modellen resonnerer over minnet	EksternOverlatt til agentrammeverket	Ikke innebygd	Ikke innebygd	Implisitt i den trente modellen, der du ikke kan redigere det	Ikke innebygd
Bedre valg av handling	InnebygdUtfall forbedrer hvilken handling den velger neste gang	Atferden blir bedre via minne og ferdigheter	Gjennomgåtte ferdigheter forbedrer agentens neste instrukser	Destillerte ferdigheter forbedrer de neste prosedyrene	Hentet kontekst kan påvirke atferden indirekte	InnebygdVed å optimalisere modellen	Rutingsregler konfigureres, de læres ikke av utfall
Gjenbrukbare ferdigheter	InnebygdErfaring blir ferdigheter som testes før bruk, og som kan settes på pause, tas i bruk igjen eller trekkes tilbake	InnebygdTrajektorier kan bli varige ferdigheter som fungerer med alle modeller	InnebygdTrajektorier blir gjennomgåtte ferdigheter, støttet av belegg	InnebygdØkter blir skill.md-filer for arbeidsområdet	Avhenger av leverandøren; som regel ikke det kategorien er bygget rundt	Kunnskapen tas opp i vektene, den pakkes ikke som flyttbare ferdigheter	Ikke innebygd
Testing og forvaltning av ferdigheter	En ferdighet testes før man stoler på den, og kan settes på pause, tas i bruk igjen, trekkes tilbake eller fjernes for godt	Ferdigheter er filer du kan inspisere, forvalte og versjonere	Publisert etter menneskelig gjennomgang, levert i en fastlåst versjon	Ferdigheter forblir filer du kan inspisere og redigere, knyttet til øktene de kom fra	Vanligvis en livssyklus per oppføring, ikke per ferdighet	Evaluering skjer rundt trening og utrulling	Konfigurasjonsversjoner, ikke en livssyklus for lærte ferdigheter
Generalisering til beslektede saker	Den tar det den har lært med til beslektede saker og nye formuleringer, og inn i ferdigheter den kan gjenbruke	Ferdigheter i token-rommet generaliserer prosedyrer på tvers av oppgaver	Ferdigheter fanger opp mønstre på tvers av mange trajektorier fra produksjon	Ferdigheter fanger opp mønstre som går igjen på tvers av økter	Semantisk gjenfinning finner beslektet informasjon, noe som ikke er det samme som å generalisere atferd	Generaliserer via de trente vektene	Semantiske cacher matcher like forespørsler, men lærer ikke hvordan de skal handle
Beslutning og handling
Å vite hvor sikker den er	InnebygdFør hver beslutning vet den hvor kjent saken er og hvor sikker den er	Hovedsakelig modellens skjønn og hvor relevant minnet er	Drevet av evaluering, ikke et løpende mål på sikkerhet	Hvor relevante gjenfinning og ferdigheter er, ikke et mål på sikkerhet	Gjenfinningsscorer og relevanssignaler	Hvor sikker modellen er, må måles separat	Tilbydernes helse, ruting og scorer fra sikkerhetsrammene, ikke sikkerhet om selve oppgaven
Svare, overlevere eller avvise	InnebygdDuplex svarer selv, kaller modellen din, bruker et verktøy eller avviser, innenfor reglene dine	Agenten fortsetter vanligvis via modellens resonnering	EksternVertsagenten avgjør hvordan den skal handle	EksternVertsagenten avgjør hvordan den skal handle	EksternVertsapplikasjonen avgjør hvordan den skal handle	Den trente modellen kjører fortsatt på hver forespørsel	Rute, prøve igjen, blokkere eller falle tilbake, uten å lære av utfall
Å svare selv på kjent arbeid	InnebygdDen tar kjente beslutninger selv, uten enda et kall til en ledende modell	Modellen tolker fortsatt minne eller ferdigheter	Modellen leser fortsatt den lærte ferdigheten	Modellen leser fortsatt den lærte ferdigheten	Modellen leser normalt den hentede konteksten	Den tilpassede modellen kjører fortsatt	En cache kan hoppe over et modellkall, men en cache lærer ikke av utfall
Å overlevere det som er nytt eller usikkert	Nytt, usikkert eller sensitivt arbeid går til riktig modell, verktøy eller person	Agenten og modellen avgjør når det trengs mer hjelp	EksternVertsagentens oppgave	EksternVertsagentens oppgave	EksternApplikasjonens oppgave	EksternApplikasjonens oppgave	Sterk ruting og reserveløsninger mellom tilbydere; sikkerhet om oppgaven forblir ekstern
Planlegging, simulering og anbefalinger	InnebygdDen forutsier hva som skjer videre, prøver alternativer, legger planer og anbefaler handlinger	Hovedsakelig via modellens resonnering og agentverktøy	EksternVertsagentens oppgave	EksternVertsagentens oppgave	Minnet gir kontekst; planleggingen forblir ekstern	Modellen kan planlegge bedre, men arbeidets tilstand forblir ekstern	Ikke innebygd
Mange agenter som jobber sammen	Den sender arbeid til riktig agent, deler det opp innenfor reglene dine, holder hver agent innenfor sitt område og samler resultatene	Agenter, underagenter og delt minne er tilgjengelig	Fungerer på tvers av støttede agentrammeverk	Deler lærdommer på tvers av tilkoblede agenter	Delt minne kan betjene flere agenter	Ikke innebygd	Noen ruter til agenter og MCP-verktøy, men lærer ikke hvilket samarbeid som virket
Å lære hvilke verktøy som virker	Den lærer hvilke verktøy som virker, når de skal brukes og hva hvert av dem fører til	Ferdigheter og minne kan forbedre verktøybruken	Fullstack-trajektorier fanger opp verktøy- og brukerhandlinger til nye ferdigheter	Verktøyspor kan bli gjenbrukbare prosedyrer	Verktøyresultater kan huskes	Verktøyatferden kan bli bedre gjennom trening	De eksponerer og ruter verktøy, men lærer som regel ikke av utfallene
Verktøyhandlinger innenfor reglene dine	Verktøy kjører bare gjennom reglene og tillatelsene dine	Agenttillatelser og verktøykonfigurasjon	Styrt av agentrammeverket som er vert	Styrt av kodeagenten som er vert	EksternOverlatt til applikasjonen i rene minnesystemer	Ekstern	Sterk ruting og sikkerhetsrammer; kontroll over agenthandlinger avhenger av integrasjonen
Strømming	Den strømmer utdata fra modeller og verktøy, med hvert steg fortsatt innenfor reglene dine	Tilgjengelig via agent- og modellgrensesnitt	Tilgjengelig via støttede agentrammeverk	Avhenger av vertsagenten	Avhenger av leverandøren	Avhenger av modelltilbyderen	InnebygdSterk strømming
Arbeid som fortsetter
Læring av hvert steg, automatisk	Hvert steg, via MCP + hooks eller pluginene, mater én felles læringssløyfe	Letta-kjøretiden lagrer agentsamtaler og handlinger	AG-UI fanger opp agent- og brukerhandlinger som fullstack-trajektorier	Agentøkter og verktøyaktivitet fanges opp automatisk	Integrasjoner via SDK eller kjøremiljø fanger opp meldinger og hendelser	Logger eller datasett må leveres til treningen	Forespørsler, svar, kostnad og latens logges
Kontekst på tvers av økter	InnebygdArbeid, beslutninger, oppgaver og konteksten som betyr noe, fortsetter på tvers av økter	InnebygdVarige agenter beholder minne på tvers av samtaler	Varige tråder tar vare på interaksjoner i appen	InnebygdDelt minne varer lenger enn agentøktene	InnebygdDet er dette kategorien er bygget rundt	Ikke innebygd	EksternSom regel
Langvarig arbeid	InnebygdLangvarig arbeid holdes åpent på tvers av økter og agenter, med trygge punkter å gå tilbake til, til det er ferdig eller glemt	Varige agenter kan føre arbeid videre, med en livssyklus som agenten og appen bestemmer	Varige tråder tar vare på historikken over interaksjoner	Øktminne hjelper med å ta opp igjen arbeidet	Kontekst kan hentes fram, men styring av oppgavers tilstand skjer eksternt	Ikke innebygd	Ikke innebygd
På tvers av modeller	InnebygdDet den lærer, og konteksten din, blir værende utenfor modellen og følger arbeidet på tvers av tilbydere	Sterk: minne og ferdigheter i token-rommet kan overleve et modellbytte	Sterk: ferdigheter kan leveres på tvers av støttede agentstacker	Sterk: ferdigheter og minne kan gjenbrukes av ulike kodeagenter	Som regel sterk, fordi minnet ikke avhenger av modellen	Svak: en ny grunnmodell krever vanligvis omtrening eller ny validering	Sterk for ruting, men ingenting lært blir med videre
På tvers av apper og agenter	Det samme arbeidet fortsetter på tvers av Claude, Codex, Cursor, Hermes og dine egne agenter	Agenter med tilstand kan nås via SDK-er og hostet MCP	Ferdigheter kan leveres via støttede rammeverksadaptere	Delt minne kobler sammen Claude Code, Codex, Cursor og andre agenter	Mulig når apper deler samme minneidentitet	Ikke innebygd	Forespørsler kan dele én gateway, men det hver app vet, forblir eksternt
Å overlevere arbeid til en annen agent	En oppgave og konteksten går over til en annen agent du tillater, klar til å fortsette	Delte agenter og repositorier kan støtte en overlevering	Delte trajektorier og publiserte ferdigheter holder atferden konsekvent	Ferdigheter i arbeidsområdet gir lærdommer videre mellom agenter	En annen autorisert agent kan hente fram den delte konteksten	Ikke innebygd	Ruting til agenter og MCP kan være tilgjengelig; hva oppgaven betyr, forblir eksternt
Å holde konteksten kompakt	Konteksten holdes kompakt, med vekt på reglene, oppgavene og beslutningene som betyr noe	Organisering av minne, sammendrag og filbasert kontekststyring	Trajektorier destilleres til innsikter og ferdigheter	Økter destilleres til kompakte ferdigheter	Sammendrag, uttrukne minner og episodiske oppføringer	Ikke innebygd	Avkorting av prompter eller caching, ikke et varig sammendrag av det som betyr noe
Læring fra bilder, lyd, video og PDF-er	Den lærer av bilder, lyd, video og PDF-er, slik den gjør av tekst	Avhenger av den tilkoblede modellen og agentverktøyene	Avhenger av de innfangede app-hendelsene og agentstacken	Hovedsakelig rettet mot økter og verktøyspor	Avhenger av leverandøren og modellen	Støttet når modellen og treningstjenesten godtar mediet	Sender hovedsakelig støttede medier videre til tilbyderne
På tvers av medier	Et spørsmål i ord kan bygge på det som er lært fra bilder, lyd og video, og medier kan forme senere beslutninger	Avhenger av modellen og hvordan minnet er bygget opp	Utenfor hovedfokuset til CLiF	Utenfor hovedfokuset til Hivemind	Tilgjengelig i produkter som indekserer mer enn tekst	Kodet inn i vektene når treningen støtter det	Ikke innebygd
Personer, team og deling
For hver person	InnebygdHver person får sin egen private kontekst, egne preferanser og egen læring	Innebygd minne per agent og per bruker	Mulig via tråder i appen og læringscontainere	Tilgjengelig på personlig nivå eller for arbeidsområdet	Sterkt minne per bruker eller per aktør	Krever vanligvis en separat trent eller tilpasset modell	Nøkler og budsjetter per bruker; personlig atferd er ekstern
For hvert team	InnebygdTeam deler godkjent læring, og privat arbeid forblir privat	Delte minnerepositorier og ferdigheter	Publiserte ferdigheter sprer teamets læring	Delt minne og delte ferdigheter i arbeidsområdet	Tilgjengelig via navnerom, grafer eller delte lagre	Krever vanligvis delte treningsdata og en delt modell	Konfigurasjon og budsjetter per team
På tvers av organisasjonen	InnebygdDet som virker, kan flyttes fra én person til teamet og organisasjonen, under reglene dine	Ferdigheter og minne kan deles på tvers av organisasjonen	Gjennomgåtte ferdigheter kan spres på tvers av støttede agenter	Lærdommer fra arbeidsområdet kan spres på tvers av tilkoblede agenter	Delt organisasjonsminne er mulig	En tilpasset modell kan kode inn felles atferd for organisasjonen	Ruting og sikkerhetsrammer på tvers av organisasjonen, uten å lære av utfall
Deling mellom personer, under kontroll	Du velger hva som deles og med hvem, og kan trekke det tilbake; alt som deles, viser hvem det kom fra	Delte repositorier og tillatelser for samarbeid	Tillatelser for prosjekter og utrullinger	Tilgangskontroll for arbeidsområder	Leverandørspesifikke navnerom, IAM eller graftillatelser	Tilgangskontroll for datasett og modeller	Kontroll per nøkkel, team og rolle
Beskyttelse av delt innhold	Det noen deler, kommer fram som informasjon, aldri som instrukser, så det kan ikke styre en annen persons agent	Bygger på agentens kontekst og tillatelser	Utviklerens policy og verktøybegrensninger går foran ferdigheter	Bygger på hvordan ferdigheter lastes, og på tillit i arbeidsområdet	Avhenger av appen og leverandøren	Treningsdata trenger egne kontroller før trening	Sikkerhetsrammer kan inspisere delte inndata, men tillit til hva de betyr, forblir ekstern
Kontroll og tillit
Reglene	Reglene dine er en del av hvordan Duplex fungerer: de tillater, avviser eller begrenser reelle handlinger	Instrukser og tillatelser former agentens atferd	Lærte ferdigheter kan ikke overstyre utviklerens sikkerhetsregler eller verktøybegrensninger	Ferdigheter veileder agenten, men håndhever ingenting på egen hånd	Kontekst kan informere atferden, men autoriserer ikke handlinger	Atferden formes av trening, ikke av regler i sanntid	Sterke sikkerhetsrammer for inndata og utdata, og rutingsregler
Regler brukt før hver handling	InnebygdHookene kontrollerer hver handling mot reglene dine før den kjøres	Avhenger av Letta-kjøretiden, tillatelsene og verktøyverten	Ligger hos vertsappen og agentrammeverket	Ligger hos vertsagenten	Minnet gir kontekst, men autoriserer ikke handlinger utenfor	Ekstern	Sterk for forespørsler og svar som går gjennom gatewayen
Mennesker i sløyfen	En person bekrefter handlingene du velger, og det Duplex lærer, kan gjennomgås og angres	Brukere kan inspisere og forvalte minne og ferdigheter	En grundig gjennomgang før lærte ferdigheter publiseres	Ferdigheter kan inspiseres og redigeres før gjenbruk	Bestemt av appen	Gjennomgang av treningen, evaluering og godkjenning før utrulling	Godkjenningsflyter varierer mellom gatewayer
En historikk du kan sjekke	En historikk over hver beslutning, hvor den kom fra og hva den førte til, som ikke kan endres i det stille	Varige samtaler, minne og agenttilstand	Innsikter støttet av belegg, og trajektoriene de stammer fra	Ferdigheter knyttet til økter, og lagrede spor	Historikk, kildesporing og revisjonskontroller varierer mellom leverandører	Treningsjobber, datasett, belønningsmål og modellversjoner	Grundige logger over forespørsler, svar, kostnad og policy
Kvitteringer du kan verifisere	Beslutninger, ferdigheter og slettinger kan følges av kvitteringer du kan verifisere	Versjonerte minner og ferdigheter	Lenker til belegg og nøyaktige revisjoner av ferdigheter	Ferdighetsfiler knyttet til øktene de stammer fra	Kildesporing varierer mellom leverandører	Modellevaluering og treningsrapporter	Logger og resultater fra sikkerhetsrammer, ikke kvitteringer for det som ble lært
Å angre det som ble lært, nøyaktig	InnebygdÉn lært endring kan angres nøyaktig, uten å trene om noe	Ferdigheter og minner kan redigeres eller rulles tilbake via versjoner	Publiserte ferdigheter kan revideres eller trekkes tilbake	Ferdighetsfiler kan redigeres eller fjernes	Minner kan slettes, men atferden som bygger på dem, reverseres ikke nøyaktig	Rull tilbake en hel modellversjon, eller tren om uten eksemplet	Konfigurasjon og cacheoppføringer kan fjernes; det finnes ikke noe lært å reversere
Glemming som når alt som bygger på det	Å fjerne noe fjerner også det som kom fra det: kontekst, alt som er delt fra det, og beslektet læring	Minne og ferdigheter ryddes opp via filer og versjoner	Betyr å fjerne de berørte innsiktene, ferdighetene og avledede ressursene	Betyr å fjerne de berørte øktene og genererte ferdighetene	Sletter vanligvis oppføringer; avledede sammendrag og kopier andre steder må håndteres separat	Krever maskinell avlæring eller omtrening	Logger og cacher følger sine egne regler for oppbevaring
Å holde kunder atskilt	Hver bruker, hvert team, hver organisasjon og hver kunde holdes atskilt, i hver integrasjon og i alt den deler	Tillatelser i skyen og når den er selvhostet	Isolering per prosjekt og utrulling	Minne og ferdigheter avgrenset til et arbeidsområde	Isolering per bruker, aktør, navnerom, graf eller IAM	IAM i skyen og grenser for modelltilgang	Moden isolering per nøkkel, team, budsjett og rolle
Hvor alt som er lært, kom fra	For alt den har lært, kan du se kilden, omfanget og hvor mye det kan stoles på	Minne og ferdigheter kan fortsatt inspiseres	Innsikter og ferdigheter forblir knyttet til trajektoriene de kom fra	Ferdigheter kan lenke tilbake til øktene de stammer fra	Sterk i produkter med tidsbaserte grafer; varierer ellers	Avstamning for datasett og treningsmetadata	Avstamning for forespørsler og tilbydere
Hvor det kjører og kobles til
Hvilken som helst modelltilbyder	Én intelligens på tvers av OpenAI, Anthropic, Google, AWS og kompatible modeller	Et kjøremiljø for agenter som fungerer med alle modeller	Fungerer på tvers av støttede agentrammeverk og modeller	Fungerer på tvers av flere kodeagenter og modellene deres	Som regel uavhengig av modellen	Vanligvis knyttet til den tilpassede modellen og treningstilbyderen	InnebygdAbstraksjon over tilbydere er det kategorien gjør best
MCP	InnebygdVia MCP + hooks deltar Duplex i hvert steg agentene dine tar	Hostet MCP lar andre agenter opprette og sende meldinger til Letta-agenter med tilstand	Ferdigheter kan nå agenter og MCP-servere via integrasjoner	Kobles til de store kodeagentene; hvordan varierer mellom klienter	Tilgjengelig i flere produkter, blant annet Supermemory og AgentCore	Ikke innebygd	Stadig oftere innebygd
Hooks og pluginer	InnebygdPluginer for Claude, Codex, Cursor og Hermes, og hooks som henter inn Duplex ved hvert steg og kontrollerer sensitive verktøyhandlinger	Integrasjon via SDK, CLI og agentkjøretid	AG-UI og rammeverksadaptere	Automatisk innfanging av økter fra kodeagenter	Integrasjoner via SDK og MCP	Datainnsamling må bygges separat	Integrasjon via SDK og proxy, ikke hooks som lærer av agentøkter
Din sky, eller selvhostet	Vareon cloud, din sky eller ingen sky: privat sky, din egen konto, selvhostet eller fysisk isolert	Sky, og en selvhostet appserver	Skyhostet og selvhostet intelligens	Lokal agentintegrasjon; mulighetene for utrulling varierer	Leverandørspesifikt; det finnes både alternativer med åpen kildekode og administrerte alternativer	Trening i skyen og hostet inferens	Hostede og selvhostede alternativer varierer mellom gatewayer
Ingen sky: fysisk isolert	Bygget for utrullinger der ingenting får gå ut, med lokale modeller, lokale avhengigheter og din egen identitetsleverandør	Mulig med en selvhostet stack og lokale avhengigheter	Mulig med en selvhostet stack og lokale avhengigheter	Avhenger av valgt utrulling og modelltjenester	Avhenger av plattformen	Begrenset til tjenester som støtter frakoblet trening og inferens	Tilgjengelig med selvhostede gatewayer og lokale tilbydere
Kostnad, hastighet og egnethet
Hvordan den senker modellkostnaden	Duplex svarer selv på kjent arbeid, uten gjentatte kall til en ledende modell	Bedre kontekst og ferdigheter gir bedre resultater, men modellen kjører fortsatt	Bedre ferdigheter gir færre feil og mindre omarbeid, men modellen kjører fortsatt	Bedre ferdigheter gir færre gjentatte feil, men modellen kjører fortsatt	Bedre kontekst gir mindre gjentakelse, men legger til gjenfinning og kaller fortsatt modellen	En mindre, tilpasset modell kan gi kvaliteten du trenger	Caching, billigere modeller, batching og valg av tilbyder
Hvordan den senker latensen	Beslutninger den er sikker på, kommer raskt tilbake; usikkert arbeid går fortsatt til den ledende modellen din	Bedre organisert kontekst kan kutte bortkastet resonnering	Ferdigheter gjør utførelsen mer direkte	Ferdigheter forkorter gjentatt utforsking	Raskere gjenfinning og mindre kontekst	Avhenger av den tilpassede modellen	Caching, lastbalansering og valg av tilbyder
Overlever en modelloppgradering	JaLæring, kontekst, oppgaver og regler blir værende utenfor enhver enkeltmodell	JaMinne og ferdigheter er bevisst uavhengige av modellen	JaFerdigheter og trajektorier blir værende utenfor modellens vekter	JaFerdigheter overlever et bytte av kodeagent eller modell	JaLagret kontekst avhenger ikke av modellen	Tilpasningen hører til ett modellsjekkpunkt, så den blir ikke automatisk med videre	Rutingskonfigurasjonen overlever, men ingen lært atferd beholdes
Finjustering nødvendig	NeiFinjustering blir et valgfritt steg opp	Nei	NeiIkke for ferdigheter; CLiF kan også lage data til finjustering	Nei	Nei	Ja	Nei
Passer best for	Organisasjoner som trenger at KI-agentene deres lærer, handler innenfor regler, fører arbeid videre og blir bedre på tvers av modeller, som ett system	Team som bygger varige, selvforbedrende agenter rundt minne og ferdigheter i token-rommet	Produktteam som gjør virkelige arbeidsflyter fra brukere om til gjennomgåtte ferdigheter, evalueringer og treningsressurser	Team som vil at kodeagenter skal dele økter og gjenbruke lærdommer automatisk	Apper som hovedsakelig trenger varig, relevant bruker- eller forretningskontekst	Stabile oppgaver med høyt volum der selve modellen må spesialiseres	Team som hovedsakelig trenger abstraksjon over tilbydere, pålitelighet, sikkerhetsrammer og kostnadskontroll

Én lukket sløyfe.

I Duplex blir kontekst, læring, ferdigheter og reglene dine til én sløyfe, som går mens arbeidet pågår.

Duplex forstår oppgaven den står overfor, og henter fram konteksten som betyr noe.

Hvorfor det er viktig.

En KI-modell kan være intelligent uten noen gang å bli erfaren i arbeidet ditt.

Et minnesystem viser modellen hva som skjedde før, men det avgjør ikke hva som bør endres. Et ferdighetssystem pakker inn en lærdom, men modellen må fortsatt lese den og følge den. Finjustering endrer modellen, gjennom en langsommere treningssyklus som er vanskelig å angre. En gateway styrer trafikk, men lærer ikke hvilken beslutning som førte til det beste utfallet.

Duplex gjør erfaring om til forbedring mens den arbeider, innenfor reglene dine.

Det bygger en annen type ressurs. Hver bekreftet rettelse, hver vellykket arbeidsflyt, hvert nyttig verktøyresultat og hver fullført oppgave styrker intelligensen rundt modellen din, og ingenting av det er låst inne hos én modelleverandør.

Konklusjonen.

MinneGir en agent en fortid.
FerdigheterGir en agent gjenbrukbare instrukser.
FinjusteringGir en modell andre vekter.
GatewayerGir en KI-stack kontroll over trafikken.
DuplexGir hele agentsystemet evnen til å føre erfaring videre, lære av resultater, handle innenfor reglene dine og bli bedre på tvers av modeller, over tid.

Blant produktene og kategoriene som er gjennomgått, er Duplex den eneste som er bygget for å kombinere:

Kontekst på tvers av økter
Kontinuerlig læring av utfall
Læring av rettelser og belønninger
Æren for stegene bak et resultat
Å lære hvordan handlinger fører arbeidet videre, og å forutsi hva som kommer
Beslutninger som vet hvor sikre de er
Overlevering til riktig modell, verktøy eller person
Langvarig arbeid som fortsetter
Læring for hver person, hvert team og hver organisasjon
Reglene dine, brukt før hver handling
Verktøyhandlinger innenfor reglene dine
Deling mellom personer, under kontroll
Å angre det som ble lært, nøyaktig
Glemming som når alt som bygger på det
Hvor alt som er lært, kom fra, med kvitteringer
MCP + hooks, og pluginer for assistentene du bruker
Kontinuitet på tvers av modeller og apper
Din sky, selvhostet eller fysisk isolert
Færre modellkall, siden kjent arbeid besvares direkte

Duplex gjør KI-systemene dine bedre i arbeidet med hver erfaring.

Kildene.

Produktsidene og dokumentasjonen denne sammenligningen bygger på.

Sammenligningen gjelder per 16. oktober 2026.

Se Duplex på ditt eget arbeid.

Sammenlign den der det teller: en pilot setter Duplex på ditt eget arbeid, med måltallene avtalt før den begynner.

Start en pilot →Møt Duplex

Minne husker. Ferdigheter nedfeller. Finjustering trener om. Gatewayer ruter.
Duplex lukker sløyfen.

Hver av dem løser én del.

Minneplattformer gir en agent en fortid: fakta, meldinger og episoder, hentet fram til neste modellkall.

Ferdighetslæring gir en agent gjenbrukbare instrukser, hentet fra arbeidet som gikk bra.

Finjustering gir en modell andre vekter, én treningskjøring om gangen.

KI-gatewayer gir en KI-stack kontroll over trafikken: ruting, nye forsøk, sikkerhetsrammer og kostnader.

Duplex lukker sløyfen: den fører konteksten videre, lærer av hver rettelse og hvert utfall, handler innenfor reglene dine og lar hvilken som helst modell du velger, dra nytte av det den har lært.

Alle evner, side om side.

Én lukket sløyfe.

Duplex forstår oppgaven den står overfor, og henter fram konteksten som betyr noe.

Den vet om saken er kjent, usikker eller dekket av en av reglene dine.

Den avgjør om den skal handle selv, kalle en modell, bruke et verktøy eller avvise.

Den lærer hva som skjedde, og om det virket.

Den gir æren til beslutningene og handlingene som ga resultatet.

Den endrer det den gjør videre, uten å vente på en ny treningsrunde.

Den tar med seg det den har lært, på tvers av økter, apper, agenter og modelltilbydere.

Den kan angre uønsket læring, og vise nøyaktig hva som endret seg.

Hvorfor det er viktig.

Konklusjonen.

Kildene.

Se Duplex på ditt eget arbeid.

Minne husker. Ferdigheter nedfeller. Finjustering trener om. Gatewayer ruter.Duplex lukker sløyfen.

Hver av dem løser én del.

Minneplattformer gir en agent en fortid: fakta, meldinger og episoder, hentet fram til neste modellkall.

Alle evner, side om side.

Én lukket sløyfe.

Duplex forstår oppgaven den står overfor, og henter fram konteksten som betyr noe.

Hvorfor det er viktig.

Konklusjonen.

Kildene.

Se Duplex på ditt eget arbeid.

Minne husker. Ferdigheter nedfeller. Finjustering trener om. Gatewayer ruter.
Duplex lukker sløyfen.