Duplex og Letta,
side om side.
Letta bygger agenter med tilstand rundt varig minne og lærte ferdigheter. Duplex er en andre intelligens ved siden av KI-en din: den lærer av hvert resultat og handler ut fra det under kjøring, innenfor reglene dine, uansett hvilken modell du bruker.
Sammenligningen gjelder per 16. oktober 2026.
Alle evner: Duplex og Letta.
Hva hver av dem gjør, gruppe for gruppe, fra hva det er til hva det koster.
- 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.
| Evne | Duplex | Letta |
|---|---|---|
| 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 |
| Hva som føres videre | Kontekst, beslutninger, utfall, regler, oppgaver, ferdigheter og det den har lært | Agentminne, samtaler, filer og ferdigheter |
| 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 |
| 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 | ||
| Kontinuerlig læring uten omtrening | InnebygdDen fortsetter å lære, utenfor vektene i modellen din | InnebygdLæring i token-rommet og ferdighetslæring |
| 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 |
| Læring av rettelser | InnebygdEn rettelse endrer det Duplex gjør videre | Rettelser kan oppdatere minnet eller mate lærte ferdigheter |
| Læring av utfall | InnebygdSuksess og feil går rett tilbake inn i det den lærer | Mulig via refleksjon over trajektorier og oppdateringer agenten selv styrer |
| Læring av belønninger | InnebygdEn belønning forsterker det som virket, og retter opp det som ikke gjorde det | Belønninger er ikke hovedmåten den lærer på |
| 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 |
| Hvordan handlinger fører arbeidet videre | InnebygdDen lærer hvordan hver handling fører arbeidet fra én tilstand til den neste | Agenten kan utlede dette fra konteksten |
| 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 |
| Bedre valg av handling | InnebygdUtfall forbedrer hvilken handling den velger neste gang | Atferden blir bedre via minne og ferdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| Svare, overlevere eller avvise | InnebygdDuplex svarer selv, kaller modellen din, bruker et verktøy eller avviser, innenfor reglene dine | Agenten fortsetter vanligvis via modellens resonnering |
| 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 |
| 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 |
| Planlegging, simulering og anbefalinger | InnebygdDen forutsier hva som skjer videre, prøver alternativer, legger planer og anbefaler handlinger | Hovedsakelig via modellens resonnering og agentverktøy |
| 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 |
| 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 |
| Verktøyhandlinger innenfor reglene dine | Verktøy kjører bare gjennom reglene og tillatelsene dine | Agenttillatelser og verktøykonfigurasjon |
| Strømming | Den strømmer utdata fra modeller og verktøy, med hvert steg fortsatt innenfor reglene dine | Tilgjengelig via agent- og modellgrensesnitt |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Å holde konteksten kompakt | Konteksten holdes kompakt, med vekt på reglene, oppgavene og beslutningene som betyr noe | Organisering av minne, sammendrag og filbasert kontekststyring |
| 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 |
| 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 |
| 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 |
| For hvert team | InnebygdTeam deler godkjent læring, og privat arbeid forblir privat | Delte minnerepositorier og ferdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| Regler brukt før hver handling | InnebygdHookene kontrollerer hver handling mot reglene dine før den kjøres | Avhenger av Letta-kjøretiden, tillatelsene og verktøyverten |
| 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 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 |
| Kvitteringer du kan verifisere | Beslutninger, ferdigheter og slettinger kan følges av kvitteringer du kan verifisere | Versjonerte minner og ferdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Overlever en modelloppgradering | JaLæring, kontekst, oppgaver og regler blir værende utenfor enhver enkeltmodell | JaMinne og ferdigheter er bevisst uavhengige av modellen |
| Finjustering nødvendig | NeiFinjustering blir et valgfritt steg opp | 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 |
De andre sammenligningene.
- Duplex og CopilotKit CLiFVirkelige arbeidsflyter, gjort om til ferdigheter
- Duplex og Deeplake HivemindDelt minne for kodeagenter
- Duplex og minneplattformerMem0, Zep, AgentCore Memory, Supermemory
- Duplex og finjusteringFinjustering og finjustering med forsterkningslæring
- Duplex og KI-gatewayerPortkey, LiteLLM og lignende
- Hele sammenligningenDuplex ved siden av alle seks, side om side
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.