En varig, lærende kjøretid for KI-agenter.
Duplex definerer en ny kategori.
Den er ikke enda en minnedatabase for modellen din. Duplex gjør en midlertidig assistent, bundet til én modell, om til et system som lærer av arbeidet, beholder konteksten sin, håndhever reglene dine, blir bedre med verktøyene dine, deler med tillatelse det den lærer, og flytter mellom modelltilbydere uten å miste det den har lært.
Det manglende fjerde laget.
Dagens KI fordeler intelligensen på tre lag. Modellen resonnerer, gjenfinningen leverer dokumenter og minner, og applikasjonskoden styrer arbeidsflytene, tillatelsene og verktøyene. Ingen av dem lærer av arbeidet. Duplex legger til det fjerde: læring fra alt agentene dine gjør, bevart så lenge du kjører den.
Modellen resonnerer om oppgaven, og glemmer den når oppgaven er ferdig.
Hva gjenfinning aldri ble bygget for å ta vare på.
Gjenfinning henter fram dokumenter og minner som ser relevante ut. Duplex beholder det arbeidet har lært den, og handler ut fra det:
- 01Hva som lyktes, og hva som feilet
- 02Hvilke handlinger som førte til hvilke resultater
- 03Hvilket verktøy som virker i hvilken situasjon
- 04Hvilke arbeidsmåter som forbedret resultatene
- 05Preferansene og reglene som fortsatt gjelder
- 06Hva hver handling endrer
- 07Ferdighetene som gjentatt arbeid har lært den
- 08Hva som må glemmes, omgjøres eller trekkes tilbake
- 09Når den kan svare selv, og når den bør spørre modellen din
KI-en din er modellen, pluss det Duplex har lært.
Modellen kan byttes ut. Det Duplex har lært, blir værende.
Din KI
Det folkene og agentene dine jobber med
Grunnmodellen
Kan byttes ut: en ny versjon, en ny leverandør
Det Duplex har lært
Blir værende: ditt, og vokser fortsatt
Det skillet endrer hva en organisasjon eier. Det den har lært, trenger ikke lenger å leve inne i én leverandørs vekter, én samtalelogg eller én apps eget minneformat.
En ny modell kommer. Alene starter den fra null; med Duplex beholder den alt som er lært så langt.
For næringslivet: KI som forsterker seg.
Duplex endrer økonomien rundt KI på arbeidsplassen. Hvert bekreftet resultat kan gjøre neste oppgave bedre, og det som bygges opp, er ditt å beholde.
Verdi som forsterker seg.
De fleste KI-løsninger starter nesten fra null på hver oppgave. Prompter, gjenfinning og faste arbeidsflyter gir kontekst, men systemet blir ikke bedre av hvert bekreftet resultat. Med Duplex kan hver fullført oppgave etterlate seg noe:
- Et bedre valg av verktøy
- En lærdom om hva en handling endrer
- En gjenbrukbar ferdighet
- En korrigert beslutning
- En regel å følge
- Et gjennomarbeidet eksempel
- Et tydelig signal om hva som virket
- En raskere vei tilbake til arbeidet
- En ny evne, testet før bruk
Slik blir systemet nyttigere jo mer organisasjonen din bruker det.
Intelligens som følger med deg.
Claude, Codex, Cursor og Hermes kan alle trekke på den samme Duplex, og det kan også dine egne agenter, via MCP + hooks. Bytt modell, agentklient, modelltilbyder eller verktøyleverandør, og behold prosessene, reglene, historikken og ferdighetene organisasjonen din har lært.
Innlåsingen forsvinner, og det organisasjonen din lærer, blir en verdi som varer.
Person, team og bedrift, lag på lag.
Duplex tar vare på det den lærer, på hvert nivå som teller:
- Én person
- Et team
- Organisasjonen
- Én oppgave
- Et arbeidsområde
- En agent
- En delt tråd
En person beholder preferansene og arbeidsmåtene sine. Et team bygger felles praksis og verktøykunnskap. Organisasjonen setter reglene alle jobber innenfor, mens folk og team fortsetter å lære under dem. Det er verdt langt mer enn ett globalt minne.
Regler for hva agenter gjør, ikke bare hva de blir bedt om.
Reglene i Duplex styrer hva en agent faktisk kjører, ikke bare hva en prompt ber modellen om. Via MCP + hooks deltar Duplex før hver forespørsel, før hvert verktøykall og etter hvert resultat, og hver gang kunnskap deles eller glemmes.
Virksomheter trenger kontroll over atferd, ikke bedre formuleringer.
Finjustering, for langt færre ting.
Finjustering er fortsatt viktig når en modell trenger en ny generell evne eller atferd. Men mange forretningsbehov krever ikke at vektene endres i det hele tatt:
- «Husk utgivelsesprosedyren vår.»
- «Lær hvilket diagnoseverktøy som løser denne feilen.»
- «Slutt å anbefale det som stadig feiler.»
- «Hold fast ved denne kundens begrensning.»
- «Fortsett med oppgaven etter at vi har byttet modell.»
- «Del denne utprøvde prosessen med teamet.»
- «Trekk tilbake det som ikke lenger stemmer.»
Duplex håndterer dette utenfor modellen: raskere, reversibelt, sporbart til kilden og som regel billigere enn å finjustere gang på gang.
Et nytt konkurransefortrinn.
Den verdifulle ressursen er ikke lenger bare modellen. Det varige fortrinnet blir dette:
Din organisasjons kontinuerlig akkumulerte, styrte og flyttbare operative intelligens.
To bedrifter kan bruke den samme modellen og få svært ulike resultater, fordi den ene har år med bekreftede lærdommer, ferdigheter, regler, rettelser, utfall og oppgavehistorikk i Duplex.
For forskningen: kontinuerlig læring, som et system.
Duplex behandler kontinuerlig læring som et systemproblem, ikke bare som et spørsmål om hvordan man oppdaterer vektene i et nettverk.
Læring som lar vektene være i fred.
Mye forskning på kontinuerlig læring oppdaterer vektene i et nettverk og prøver samtidig å unngå katastrofal glemsel. Duplex går en annen vei, og tilpasser seg utenfor modellens vekter. Det er likevel ekte kontinuerlig læring: det den gjør videre, endrer seg med det den har erfart. Og den gir det vektoppdateringer sliter med å gi:
- Nøyaktig kildesporing
- Læring som kan omgjøres
- Isolering mellom kunder
- Selektiv glemsel
- Et fullstendig revisjonsspor
- Umiddelbar tilpasning
- Langt mindre regnekraft
- Ingen nedetid for omtrening
Mange måter å lære på, kjørt som ett system.
Duplex samler flere typer læring: å tilpasse seg raskt, kjenne igjen det som er nytt, vite hvor sikker den er, forutsi hva en handling vil endre, planlegge, lære av utfall og gjøre belegg om til ferdigheter den tester før bruk.
Forskningsverdien ligger ikke i én enkelt algoritme. Den ligger i å kjøre dem som ett varig, styrt læringssystem bak ekte agenter.
Avlæring som når alt.
Å glemme er mer enn å slette en oppføring. Når belegget bak noe fjernes, kan alt Duplex har lært av det, trekkes tilbake samtidig. Det er viktig for personvern, retting, sikkerhet, regulering og vitenskapelig gyldighet.
Et system som lærer, men ikke kan avlære nøyaktig, er ufullstendig for alt som skal kjøre i årevis.
Langvarig arbeid, uten hele samtaleloggen.
Duplex fører videre det en lang oppgave trenger: målet, beslutningene, begrensningene og arbeidet som fortsatt gjenstår.
Kontinuitet trenger ikke å bety å mate modellen med hele historikken på nytt, og det er viktig for agenter som jobber i timevis eller dagevis.
Læring fra mer enn ord.
Duplex lærer av bilder, lyd, video og dokumenter i tillegg til tekst, under den samme styringen av hva som får læres. Skjermbilder, design, samtaleopptak, dokumenter og verktøyutdata kan alle lære den noe.
Poenget er ikke å finne medier. Det er å koble dette belegget til utfall, oppgaver, ferdigheter og glemming.
For fagfeltet: hvor intelligensen bor.
Den største konsekvensen: intelligens trenger ikke lenger å bo helt og holdent inne i grunnmodellen.
En ny enhet for intelligens.
Det vanlige synet, og det Duplex gjør mulig:
Modellen er det intelligente produktet.
Det intelligente produktet er modellen, pluss en kjøretid som fortsetter å lære.
Forbedringer kan da bygge seg opp mellom modellkall, mellom økter og til og med mellom modelltilbydere.
Modeller blir lettere å bytte ut.
Når minne, personalisering, regler, lært verktøybruk, kontinuitet i oppgavene og en organisasjons egne ferdigheter lever i Duplex, blir den underliggende modellen lettere å bytte ut. Modeller konkurrerer fortsatt på resonnering, fart, modalitet og pris.
Men det en kunde har bygget opp, forsvinner ikke lenger når modellen byttes ut, og makten forskyves mot den som sitter på det som er lært.
Agenter som forblir seg selv.
En agent som er koblet til Duplex, fortsetter som seg selv når:
- En samtale slutter
- Kontekstvinduet blir fullt
- Klienten starter på nytt
- En oppgave gjenopptas dager senere
- Modellen byttes ut
- Arbeidet flyttes fra Claude Code til Codex
- En annen autorisert person blir med
Det ligner mer på en varig digital medarbeider enn på en rekke urelaterte chatter.
Et tydelig skille mellom modell og system.
ACI er intelligensen som tilpasser seg. Duplex er produktet rundt den: beslutningene, styringen, veiene inn og livsløpet til alt den lærer. Agenter jobber med noen få enkle, stabile operasjoner, modellen trenger aldri å vite hva som kjører under dem, og hooks knytter hver beslutning til en faktisk handling.
Det skillet er det som gjør en motor om til infrastruktur som enhver agent kan bruke.
En annen måte å skalere på.
Fagfeltet antar ofte at mer kapabel KI først og fremst krever større modeller, mer treningsdata, lengre kontekstvinduer eller mer regnekraft ved inferens. Duplex legger til en annen dimensjon:
En kapabel modell som stadig samler bekreftet erfaring utenfor vektene sine.
Det kan oppnå mer, for mindre, enn å gjøre modellen eller prompten større gang på gang.
Hva Duplex er i ferd med å bli.
Duplex får KI-agenter til å huske, lære, bli bedre, følge reglene og fortsette, på tvers av økter og modeller.
Den er ikke bare
- En vektordatabase
- En minneplugin
- En prompthåndterer
- En MCP-server
- En arbeidsflytmotor
- En policygateway
- Et finjusteringssystem
Den kombinerer deler av dem alle i én kjøretid som lærer.
Duplex ved siden av minne, ferdigheter, finjustering og KI-gatewayer →Kort sagt.
For næringslivet
KI som blir bedre med bruk, og beholder det den har lært, på tvers av agenter og modelleverandører.
For forskningen
Kontinuerlig tilpasning, usikkerhet, minne, planlegging, reversibel læring og belegg fra alle medier, i ett system som arbeider bak ekte agenter.
For fagfeltet
Intelligens trenger ikke lenger å bo helt og holdent inne i modellen. Det som læres, kan bli et eget lag: styrt, flyttbart og ditt.
Infrastruktur, ikke en funksjon.
Den største muligheten er å få kontinuerlig læring til å fungere i praksis: umiddelbar, varig, reversibel, styrt og tilgjengelig via MCP + hooks for agentene du allerede bruker, uten at modellen din endres. Duplex er utformet for å være laget der folk og organisasjoner bygger opp intelligensen i KI-en sin, mens modellene blir utskiftbare resonneringsmotorer under det.
Intelligensen som overlever alle modeller, eier du.
En pilot setter Duplex på ditt eget arbeid, og hva som teller som suksess, avtales før den starter.