Duplex og minneplattformer,
side om side.
Mem0, Zep, AgentCore Memory og Supermemory tar vare på fakta, meldinger og episoder til neste modellkall. Duplex lærer av erfaring: den forstår mønsteret, forutsier hva som kommer, og handler ut fra det.
Sammenligningen gjelder per 16. oktober 2026.
Alle evner: Duplex og minneplattformer.
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 | MinneplattformerMem0, Zep, AgentCore Memory og Supermemory |
|---|---|---|
| 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 | Varig kontekst, fakta, episoder og kunnskapsgrafer |
| Hva som føres videre | Kontekst, beslutninger, utfall, regler, oppgaver, ferdigheter og det den har lært | Fakta, meldinger, sammendrag, episoder og grafrelasjoner |
| Hva som blir bedre med erfaring | De neste beslutningene: hvor sikker den er, ruting, anbefalinger, verktøybruk og gjenbrukbar kunnskap | Hovedsakelig konteksten som gis til neste modellkall |
| Å vite hva som skjedde, og lære av det | InnebygdDen vet hva som skjedde, og lærer hva den skal endre neste gang | Hovedsakelig minne; hvor mye den lærer, varierer mellom leverandører |
| Læring | ||
| Kontinuerlig læring uten omtrening | InnebygdDen fortsetter å lære, utenfor vektene i modellen din | Forbedring via kontekst; hvor dypt det går, varierer mellom plattformer |
| Tilpasning tur for tur | InnebygdHvert nytt resultat kan endre neste beslutning med en gang | Minner kan legges til fortløpende, men å hente dem fram er ikke å tilpasse seg |
| Læring av rettelser | InnebygdEn rettelse endrer det Duplex gjør videre | Rettelser kan lagres og hentes fram som kontekst |
| Læring av utfall | InnebygdSuksess og feil går rett tilbake inn i det den lærer | Episoder kan hentes fram, men læring av utfall skjer som regel eksternt |
| Læring av belønninger | InnebygdEn belønning forsterker det som virket, og retter opp det som ikke gjorde det | Belønninger er ikke en vanlig minnefunksjon |
| Æren for stegene bak et resultat | InnebygdDen finner ut hvilke tidligere handlinger som førte til et senere resultat | Ikke innebygd |
| Hvordan handlinger fører arbeidet videre | InnebygdDen lærer hvordan hver handling fører arbeidet fra én tilstand til den neste | Lagrede episoder kan fungere som eksempler |
| Å forutsi hva en handling vil gjøre | InnebygdUt fra det den observerer, forutsier den hva en handling vil gjøre, prøver alternativer og planlegger | Ikke innebygd |
| Bedre valg av handling | InnebygdUtfall forbedrer hvilken handling den velger neste gang | Hentet kontekst kan påvirke atferden indirekte |
| Gjenbrukbare ferdigheter | InnebygdErfaring blir ferdigheter som testes før bruk, og som kan settes på pause, tas i bruk igjen eller trekkes tilbake | Avhenger av leverandøren; som regel ikke det kategorien er bygget rundt |
| 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 | Vanligvis en livssyklus per oppføring, ikke per ferdighet |
| Generalisering til beslektede saker | Den tar det den har lært med til beslektede saker og nye formuleringer, og inn i ferdigheter den kan gjenbruke | Semantisk gjenfinning finner beslektet informasjon, noe som ikke er det samme som å generalisere atferd |
| Beslutning og handling | ||
| Å vite hvor sikker den er | InnebygdFør hver beslutning vet den hvor kjent saken er og hvor sikker den er | Gjenfinningsscorer og relevanssignaler |
| Svare, overlevere eller avvise | InnebygdDuplex svarer selv, kaller modellen din, bruker et verktøy eller avviser, innenfor reglene dine | EksternVertsapplikasjonen avgjør hvordan den skal handle |
| Å svare selv på kjent arbeid | InnebygdDen tar kjente beslutninger selv, uten enda et kall til en ledende modell | Modellen leser normalt den hentede konteksten |
| Å overlevere det som er nytt eller usikkert | Nytt, usikkert eller sensitivt arbeid går til riktig modell, verktøy eller person | EksternApplikasjonens oppgave |
| Planlegging, simulering og anbefalinger | InnebygdDen forutsier hva som skjer videre, prøver alternativer, legger planer og anbefaler handlinger | Minnet gir kontekst; planleggingen forblir ekstern |
| 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 | Delt minne kan betjene flere agenter |
| Å lære hvilke verktøy som virker | Den lærer hvilke verktøy som virker, når de skal brukes og hva hvert av dem fører til | Verktøyresultater kan huskes |
| Verktøyhandlinger innenfor reglene dine | Verktøy kjører bare gjennom reglene og tillatelsene dine | EksternOverlatt til applikasjonen i rene minnesystemer |
| Strømming | Den strømmer utdata fra modeller og verktøy, med hvert steg fortsatt innenfor reglene dine | Avhenger av leverandøren |
| Arbeid som fortsetter | ||
| Læring av hvert steg, automatisk | Hvert steg, via MCP + hooks eller pluginene, mater én felles læringssløyfe | Integrasjoner via SDK eller kjøremiljø fanger opp meldinger og hendelser |
| Kontekst på tvers av økter | InnebygdArbeid, beslutninger, oppgaver og konteksten som betyr noe, fortsetter på tvers av økter | InnebygdDet er dette kategorien er bygget rundt |
| 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 | Kontekst kan hentes fram, men styring av oppgavers tilstand skjer eksternt |
| På tvers av modeller | InnebygdDet den lærer, og konteksten din, blir værende utenfor modellen og følger arbeidet på tvers av tilbydere | Som regel sterk, fordi minnet ikke avhenger av modellen |
| På tvers av apper og agenter | Det samme arbeidet fortsetter på tvers av Claude, Codex, Cursor, Hermes og dine egne agenter | Mulig når apper deler samme minneidentitet |
| Å overlevere arbeid til en annen agent | En oppgave og konteksten går over til en annen agent du tillater, klar til å fortsette | En annen autorisert agent kan hente fram den delte konteksten |
| Å holde konteksten kompakt | Konteksten holdes kompakt, med vekt på reglene, oppgavene og beslutningene som betyr noe | Sammendrag, uttrukne minner og episodiske oppføringer |
| Læring fra bilder, lyd, video og PDF-er | Den lærer av bilder, lyd, video og PDF-er, slik den gjør av tekst | Avhenger av leverandøren og modellen |
| 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 | Tilgjengelig i produkter som indekserer mer enn tekst |
| Personer, team og deling | ||
| For hver person | InnebygdHver person får sin egen private kontekst, egne preferanser og egen læring | Sterkt minne per bruker eller per aktør |
| For hvert team | InnebygdTeam deler godkjent læring, og privat arbeid forblir privat | Tilgjengelig via navnerom, grafer eller delte lagre |
| På tvers av organisasjonen | InnebygdDet som virker, kan flyttes fra én person til teamet og organisasjonen, under reglene dine | Delt organisasjonsminne er mulig |
| 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 | Leverandørspesifikke navnerom, IAM eller graftillatelser |
| Beskyttelse av delt innhold | Det noen deler, kommer fram som informasjon, aldri som instrukser, så det kan ikke styre en annen persons agent | Avhenger av appen og leverandøren |
| Kontroll og tillit | ||
| Reglene | Reglene dine er en del av hvordan Duplex fungerer: de tillater, avviser eller begrenser reelle handlinger | Kontekst kan informere atferden, men autoriserer ikke handlinger |
| Regler brukt før hver handling | InnebygdHookene kontrollerer hver handling mot reglene dine før den kjøres | Minnet gir kontekst, men autoriserer ikke handlinger utenfor |
| Mennesker i sløyfen | En person bekrefter handlingene du velger, og det Duplex lærer, kan gjennomgås og angres | Bestemt av appen |
| 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 | Historikk, kildesporing og revisjonskontroller varierer mellom leverandører |
| Kvitteringer du kan verifisere | Beslutninger, ferdigheter og slettinger kan følges av kvitteringer du kan verifisere | Kildesporing varierer mellom leverandører |
| Å angre det som ble lært, nøyaktig | InnebygdÉn lært endring kan angres nøyaktig, uten å trene om noe | Minner kan slettes, men atferden som bygger på dem, reverseres ikke nøyaktig |
| 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 | Sletter vanligvis oppføringer; avledede sammendrag og kopier andre steder må håndteres separat |
| Å holde kunder atskilt | Hver bruker, hvert team, hver organisasjon og hver kunde holdes atskilt, i hver integrasjon og i alt den deler | Isolering per bruker, aktør, navnerom, graf eller IAM |
| Hvor alt som er lært, kom fra | For alt den har lært, kan du se kilden, omfanget og hvor mye det kan stoles på | Sterk i produkter med tidsbaserte grafer; varierer ellers |
| Hvor det kjører og kobles til | ||
| Hvilken som helst modelltilbyder | Én intelligens på tvers av OpenAI, Anthropic, Google, AWS og kompatible modeller | Som regel uavhengig av modellen |
| MCP | InnebygdVia MCP + hooks deltar Duplex i hvert steg agentene dine tar | Tilgjengelig i flere produkter, blant annet Supermemory og AgentCore |
| Hooks og pluginer | InnebygdPluginer for Claude, Codex, Cursor og Hermes, og hooks som henter inn Duplex ved hvert steg og kontrollerer sensitive verktøyhandlinger | Integrasjoner via SDK og MCP |
| Din sky, eller selvhostet | Vareon cloud, din sky eller ingen sky: privat sky, din egen konto, selvhostet eller fysisk isolert | Leverandørspesifikt; det finnes både alternativer med åpen kildekode og administrerte alternativer |
| Ingen sky: fysisk isolert | Bygget for utrullinger der ingenting får gå ut, med lokale modeller, lokale avhengigheter og din egen identitetsleverandør | Avhenger av plattformen |
| Kostnad, hastighet og egnethet | ||
| Hvordan den senker modellkostnaden | Duplex svarer selv på kjent arbeid, uten gjentatte kall til en ledende modell | Bedre kontekst gir mindre gjentakelse, men legger til gjenfinning og kaller fortsatt modellen |
| Hvordan den senker latensen | Beslutninger den er sikker på, kommer raskt tilbake; usikkert arbeid går fortsatt til den ledende modellen din | Raskere gjenfinning og mindre kontekst |
| Overlever en modelloppgradering | JaLæring, kontekst, oppgaver og regler blir værende utenfor enhver enkeltmodell | JaLagret kontekst avhenger ikke 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 | Apper som hovedsakelig trenger varig, relevant bruker- eller forretningskontekst |
De andre sammenligningene.
- Duplex og LettaAgenter med tilstand, minne og ferdigheter
- Duplex og CopilotKit CLiFVirkelige arbeidsflyter, gjort om til ferdigheter
- Duplex og Deeplake HivemindDelt minne for kodeagenter
- 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.