Pamięć pamięta. Umiejętności kodyfikują. Dostrajanie znów trenuje. Bramki kierują.
Duplex zamyka pętlę.

Większość infrastruktury AI rozwiązuje jedną część pracy. Duplex łączy wszystkie części w jedną inteligencję w działaniu, która stale staje się lepsza w trakcie pracy.

Porównanie aktualne na dzień 16 października 2026.

Zobacz wszystkie możliwości →Rozpocznij pilotaż

Każde z nich rozwiązuje jedną część.

Platformy pamięci przechowują informacje. Uczenie się umiejętności zamienia doświadczenie w instrukcje. Dostrajanie zmienia wagi modelu. Bramki AI kierują zapytania i stosują bariery ochronne. Duplex łączy to wszystko i stale się doskonali.

Platformy pamięci dają agentowi przeszłość: fakty, wiadomości i epizody, wyszukiwane na następne wywołanie modelu.

Wszystkie możliwości, obok siebie.

Wybierz jedno, by postawić je obok Duplex, albo zobacz wszystkie naraz.

Wbudowane: Wbudowane w sam rdzeń działania produktu.
Zewnętrzne: Dostarczasz to albo składasz osobno.
Niewbudowane: Dokumentacja produktu nie wymienia tego jako wbudowanej funkcji. Własne rozwiązanie wciąż może być wykonalne.

Postaw obok Duplex:

Możliwość	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	Platformy pamięciMem0, Zep, AgentCore Memory i Supermemory	Dostrajanie i RFT	Bramki AIPortkey, LiteLLM i podobne
Czym jest każde z nich
Czym jest	Inteligencja w działaniu obok twojej AI: uczy się i działa dla twoich agentów i asystentów, w ramach twoich zasad	Platforma agentów ze stanem, zbudowana wokół trwałej pamięci i uczenia się w przestrzeni tokenów	Pipeline full-stack, który zamienia trajektorie w umiejętności, ewaluacje i dane treningowe	Wspólna pamięć agentów, która automatycznie zamienia ślady wykonania w umiejętności	Trwały kontekst, fakty, epizody i grafy wiedzy	Dostosowywanie modelu przez jego trenowanie	Kierowanie do modeli, niezawodność, bariery ochronne i obserwowalność
Co przenosi dalej	Kontekst, decyzje, wyniki, zasady, zadania, umiejętności i to, czego się nauczył	Pamięć agenta, rozmowy, pliki i umiejętności	Wątki, trajektorie, wnioski, umiejętności i ewaluacje	Sesje, wspomnienia i umiejętności w zakresie obszaru roboczego	Fakty, wiadomości, podsumowania, epizody i relacje w grafie	Nowy zestaw wag modelu	Konfiguracja, logi, zasady kierowania i cache
Co poprawia się z doświadczeniem	Jego kolejne decyzje: pewność, kierowanie, rekomendacje, użycie narzędzi i wiedza wielokrotnego użytku	Przyszłe zachowanie agenta, dzięki zaktualizowanej pamięci i wyuczonym umiejętnościom	Instrukcje agenta, dzięki zweryfikowanym umiejętnościom wziętym z prawdziwych procesów	Zachowanie w następnej sesji, dzięki destylowanym umiejętnościom	Głównie kontekst przekazany do następnego wywołania modelu	Odpowiedzi modelu bazowego	Kierowanie zapytań i niezawodność, a nie to, czego agent się nauczył
Wiedza o tym, co się stało, i uczenie się z tego	WbudowaneWie, co się stało, i uczy się, co zmienić dalej	Jest jedno i drugie, głównie dzięki pamięci i umiejętnościom w przestrzeni tokenów	Uczenie się powstaje z przechowywanych trajektorii	Wspólna pamięć jest zamieniana w umiejętności wielokrotnego użytku	Głównie pamięć; to, na ile się uczy, zależy od dostawcy	Uczenie się bez trwałej pamięci operacyjnej	Kontrola operacyjna bez uczenia ciągłego
Uczenie się
Uczenie ciągłe bez ponownego trenowania	WbudowaneUczy się dalej, poza wagami twojego modelu	WbudowaneUczenie się w przestrzeni tokenów i uczenie się umiejętności	WbudowaneUczenie się umiejętności; dane do dostrajania są opcjonalne	WbudowaneUczenie się umiejętności ze śladów wykonania	Poprawa dzięki kontekstowi; jak głęboko sięga, zależy od platformy	NieUczy się przez trenowanie	Niewbudowane
Dostosowanie tura po turze	WbudowaneKażdy nowy wynik może od razu zmienić następną decyzję	Pamięć zarządzana przez agenta może zmieniać się na bieżąco; uczenie się umiejętności następuje po zakończonym doświadczeniu	Analizę uruchamia się ręcznie albo według harmonogramu	Umiejętności są destylowane w tle albo na końcu sesji	Wspomnienia można dodawać na bieżąco, ale ich wyszukiwanie nie jest dostosowaniem	Czeka, aż skończy się zadanie treningowe i nowy model zostanie wdrożony	Kierowanie zmienia się od razu, ale nie na podstawie wyuczonych wyników
Uczenie się z korekt	WbudowaneKorekta zmienia to, co Duplex zrobi dalej	Korekty mogą aktualizować pamięć albo zasilać wyuczone umiejętności	Zmiany od użytkowników i działania w aplikacji zasilają jego uczenie się	Korekty i ślady sesji mogą stać się umiejętnościami	Korekty można przechowywać i wyszukiwać jako kontekst	Korekty muszą trafić do zbioru danych treningowych albo do pipeline’u nagród	Zwykle logowane; uczenie się z nich jest zewnętrzne
Uczenie się z wyników	WbudowaneSukces i porażka od razu wracają do tego, czego się uczy	Możliwe dzięki refleksji nad trajektoriami i aktualizacjom zarządzanym przez agenta	Wyniki z całego stacku stają się wnioskami, umiejętnościami, ewaluacjami i danymi treningowymi	Nowe umiejętności powstają z zakończonych sesji	Epizody można przywołać, ale uczenie się z wyników jest na ogół zewnętrzne	WbudowaneGdy wyniki da się zamienić na nagrody	Wyniki widać w telemetrii; uczenie się z nich jest zewnętrzne
Uczenie się z nagród	WbudowaneNagroda wzmacnia to, co zadziałało, i poprawia to, co nie zadziałało	Nagrody nie są jego głównym sposobem uczenia się	Może tworzyć dane do dostrajania z ocenionych trajektorii	Nagrody nie są jego głównym sposobem uczenia się	Nagrody nie są standardową funkcją pamięci	WbudowaneNagrody optymalizują wagi modelu	Niewbudowane
Zasługa za kroki prowadzące do wyniku	WbudowaneUstala, które wcześniejsze działania doprowadziły do późniejszego wyniku	Letta nie oferuje tego jako wbudowanej możliwości w działaniu	Analiza trajektorii może ujawnić przydatne wzorce w procesach	Analiza śladów wykonania może znaleźć procedury wielokrotnego użytku	Niewbudowane	Może nauczyć się korelacji z przykładów treningowych, ale nie umie prześledzić bieżącego wyniku wstecz do jego kroków	Niewbudowane
Jak działania posuwają pracę	WbudowaneUczy się, jak każde działanie przenosi pracę z jednego stanu do następnego	Agent może to wywnioskować z kontekstu	Może zamieniać procesy w umiejętności	Może utrwalać udane procedury jako umiejętności	Przechowywane epizody mogą służyć za przykłady	Może przyswoić te wzorce podczas treningu	Niewbudowane
Przewidywanie, co da działanie	WbudowaneNa podstawie tego, co obserwuje, przewiduje, co da działanie, sprawdza alternatywy i planuje	Model rozumuje na podstawie pamięci	ZewnętrznePozostawione frameworkowi agentów	Niewbudowane	Niewbudowane	Niejawnie wewnątrz wytrenowanego modelu, gdzie nie możesz tego edytować	Niewbudowane
Lepszy wybór działań	WbudowaneWyniki poprawiają to, które działanie wybierze następnym razem	Zachowanie poprawia się dzięki pamięci i umiejętnościom	Zweryfikowane umiejętności poprawiają kolejne instrukcje agenta	Destylowane umiejętności poprawiają kolejne procedury	Wyszukany kontekst może pośrednio wpływać na zachowanie	WbudowanePrzez optymalizację modelu	Zasady kierowania są konfigurowane, a nie wyuczone z wyników
Umiejętności wielokrotnego użytku	WbudowaneDoświadczenie staje się umiejętnościami, które są testowane przed użyciem i można je wstrzymać, przywrócić albo wycofać	WbudowaneTrajektorie mogą stać się trwałymi umiejętnościami, które działają z każdym modelem	WbudowaneTrajektorie stają się zweryfikowanymi umiejętnościami, popartymi dowodami	WbudowaneSesje stają się plikami skill.md dla obszaru roboczego	Zależy od dostawcy; na ogół nie na tym opiera się ta kategoria	Wiedza zostaje wchłonięta przez wagi, a nie spakowana jako przenośne umiejętności	Niewbudowane
Testowanie umiejętności i zarządzanie nimi	Umiejętność jest testowana, zanim się na niej polega, i można ją wstrzymać, przywrócić, wycofać albo usunąć na dobre	Umiejętności to pliki, które możesz przeglądać, wersjonować i nimi zarządzać	Publikowane po przeglądzie przez człowieka, dostarczane w przypiętej wersji	Umiejętności pozostają plikami, które możesz przeglądać i edytować, powiązanymi z sesjami, z których pochodzą	Zwykle cykl życia dla każdego wpisu, a nie dla każdej umiejętności	Ewaluacja odbywa się przy trenowaniu i wdrażaniu	Wersje konfiguracji, a nie cykl życia wyuczonych umiejętności
Uogólnianie na pokrewne przypadki	Przenosi to, czego się nauczył, na pokrewne przypadki i nowe sformułowania oraz do umiejętności, których może używać ponownie	Umiejętności w przestrzeni tokenów uogólniają procedury między zadaniami	Umiejętności wychwytują wzorce z wielu produkcyjnych trajektorii	Umiejętności wychwytują wzorce powtarzające się w różnych sesjach	Wyszukiwanie semantyczne znajduje powiązane informacje, a to nie to samo co uogólnianie zachowania	Uogólnia dzięki wytrenowanym wagom	Semantyczne cache dopasowują podobne zapytania, ale nie uczą się, jak działać
Decydowanie i działanie
Wiedza, jak bardzo jest pewny	WbudowanePrzed każdą decyzją wie, jak dobrze zna przypadek i jak bardzo jest pewny	Głównie osąd modelu i to, na ile trafna jest pamięć	Oparte na ewaluacji, a nie na bieżącym pomiarze pewności	Trafność wyszukiwania i umiejętności, a nie miara pewności	Punktacje wyszukiwania i sygnały trafności	Pewność modelu trzeba mierzyć osobno	Stan dostawców, kierowanie i punktacje barier ochronnych, a nie pewność co do zadania
Odpowiedź, przekazanie albo odmowa	WbudowaneDuplex odpowiada sam, wywołuje twój model, używa narzędzia albo odmawia, w ramach twoich zasad	Agent zwykle działa dalej dzięki rozumowaniu modelu	ZewnętrzneO tym, jak działać, decyduje agent hostujący	ZewnętrzneO tym, jak działać, decyduje agent hostujący	ZewnętrzneO tym, jak działać, decyduje aplikacja hostująca	Wytrenowany model nadal działa przy każdym zapytaniu	Kierowanie, ponawianie, blokowanie albo przełączanie awaryjne, bez uczenia się z wyników
Samodzielna obsługa znanej pracy	WbudowaneSam podejmuje znane decyzje, bez kolejnego wywołania czołowego modelu	Model nadal interpretuje pamięć albo umiejętności	Model nadal czyta wyuczoną umiejętność	Model nadal czyta wyuczoną umiejętność	Model zwykle czyta wyszukany kontekst	Dostosowany model nadal działa	Cache może pominąć wywołanie modelu, ale cache nie uczy się z wyników
Przekazywanie tego, co nowe albo niepewne	Nowa, niepewna albo wrażliwa praca trafia do właściwego modelu, narzędzia albo osoby	Agent i model decydują, kiedy potrzebna jest dodatkowa pomoc	ZewnętrzneZadanie agenta hostującego	ZewnętrzneZadanie agenta hostującego	ZewnętrzneZadanie aplikacji	ZewnętrzneZadanie aplikacji	Mocne kierowanie i przełączanie awaryjne między dostawcami; pewność co do zadania pozostaje zewnętrzna
Planowanie, symulacja i rekomendacje	WbudowanePrzewiduje, co stanie się dalej, sprawdza alternatywy, buduje plany i rekomenduje działania	Głównie dzięki rozumowaniu modelu i narzędziom agenta	ZewnętrzneZadanie agenta hostującego	ZewnętrzneZadanie agenta hostującego	Pamięć dostarcza kontekst; planowanie pozostaje zewnętrzne	Model może planować lepiej, ale stan pracy pozostaje zewnętrzny	Niewbudowane
Wielu agentów, pracujących razem	Wysyła pracę do właściwego agenta, dzieli ją w ramach twoich zasad, trzyma każdego agenta w jego zakresie i łączy wyniki	Dostępni są agenci, subagenci i wspólna pamięć	Działa w obsługiwanych frameworkach agentów	Dzieli się lekcjami między połączonymi agentami	Wspólna pamięć może służyć kilku agentom	Niewbudowane	Niektóre kierują do agentów i narzędzi MCP, ale nie uczą się, która współpraca zadziałała
Uczenie się, które narzędzia działają	Uczy się, które narzędzia działają, kiedy ich używać i do czego prowadzi każde z nich	Umiejętności i pamięć mogą poprawić korzystanie z narzędzi	Trajektorie full-stack rejestrują działania narzędzi i użytkowników na potrzeby nowych umiejętności	Ślady narzędzi mogą stać się procedurami wielokrotnego użytku	Wyniki narzędzi można zapamiętać	Zachowanie narzędzi może poprawić się dzięki trenowaniu	Udostępniają narzędzia i kierują do nich, ale na ogół nie uczą się z ich wyników
Działania narzędzi w ramach twoich zasad	Narzędzia uruchamiają się tylko zgodnie z twoimi zasadami i uprawnieniami	Uprawnienia agenta i konfiguracja narzędzi	Kontrolowane przez hostujący framework agentów	Kontrolowane przez hostującego agenta programistycznego	ZewnętrznePozostawione aplikacji w systemach, które są tylko pamięcią	Zewnętrzne	Mocne kierowanie i bariery ochronne; kontrola działań agentów zależy od integracji
Strumieniowanie	Strumieniuje wyjście modeli i narzędzi, a każdy krok nadal pozostaje w ramach twoich zasad	Dostępne przez interfejsy agentów i modeli	Dostępne przez obsługiwane frameworki agentów	Zależy od agenta hostującego	Zależy od dostawcy	Zależy od dostawcy modelu	WbudowaneMocne strumieniowanie
Praca, która toczy się dalej
Uczenie się z każdego kroku, automatycznie	Każdy krok, przez MCP + hooks albo wtyczki, zasila jedną wspólną pętlę uczenia się	Środowisko uruchomieniowe Letta przechowuje rozmowy i działania agentów	AG-UI rejestruje działania agentów i użytkowników jako trajektorie full-stack	Sesje agentów i aktywność narzędzi są rejestrowane automatycznie	Integracje przez SDK albo harness rejestrują wiadomości i zdarzenia	Do trenowania trzeba dostarczyć logi albo zbiory danych	Zapytania, odpowiedzi, koszty i opóźnienia są logowane
Kontekst między sesjami	WbudowanePraca, decyzje, zadania i kontekst, który ma znaczenie, przechodzą z sesji na sesję	WbudowaneTrwali agenci zachowują pamięć między rozmowami	Trwałe wątki zachowują interakcje w aplikacji	WbudowaneWspólna pamięć przetrwa sesje agentów	WbudowaneWłaśnie na tym opiera się ta kategoria	Niewbudowane	ZewnętrzneNa ogół
Długotrwała praca	WbudowaneDługotrwała praca pozostaje otwarta między sesjami i agentami, z bezpiecznymi punktami, do których można wrócić, dopóki nie zostanie ukończona albo zapomniana	Trwali agenci mogą kontynuować pracę, a jej cykl życia określają agent i aplikacja	Trwałe wątki zachowują historię interakcji	Pamięć sesji pomaga wrócić do pracy	Kontekst można wyszukać, ale zarządzanie stanem zadań jest zewnętrzne	Niewbudowane	Niewbudowane
Między modelami	WbudowaneTo, czego się uczy, i twój kontekst pozostają poza modelem i podążają za pracą między dostawcami	Mocne: pamięć i umiejętności w przestrzeni tokenów mogą przetrwać zmianę modelu	Mocne: umiejętności można dostarczać do obsługiwanych stacków agentów	Mocne: różni agenci programistyczni mogą ponownie wykorzystywać umiejętności i pamięć	Na ogół mocne, bo pamięć nie zależy od modelu	Słabe: nowy model bazowy zwykle wymaga ponownego trenowania albo ponownej walidacji	Mocne w kierowaniu, ale nic wyuczonego nie przechodzi dalej
Między aplikacjami i agentami	Ta sama praca trwa dalej w Claude, Codex, Cursor, Hermes i twoich własnych agentach	Agenci ze stanem są dostępni przez SDK i hostowane MCP	Umiejętności można dostarczać przez obsługiwane adaptery frameworków	Wspólna pamięć łączy Claude Code, Codex, Cursor i innych agentów	Możliwe, gdy aplikacje dzielą tę samą tożsamość pamięci	Niewbudowane	Zapytania mogą korzystać z jednej bramki, ale to, co wie każda aplikacja, pozostaje zewnętrzne
Przekazanie pracy innemu agentowi	Zadanie i jego kontekst przechodzą do innego agenta, na którego pozwalasz, gotowe do dalszej pracy	Wspólni agenci i repozytoria mogą wspierać przekazanie	Wspólne trajektorie i opublikowane umiejętności utrzymują spójne zachowanie	Umiejętności obszaru roboczego przekazują lekcje między agentami	Inny uprawniony agent może wyszukać wspólny kontekst	Niewbudowane	Kierowanie do agentów i MCP może być dostępne; to, co znaczy zadanie, pozostaje zewnętrzne
Utrzymywanie zwięzłego kontekstu	Kontekst pozostaje kompaktowy, skupiony na zasadach, zadaniach i decyzjach, które mają znaczenie	Organizacja pamięci, podsumowania i zarządzanie kontekstem w stylu plików	Trajektorie są destylowane we wnioski i umiejętności	Sesje są destylowane w zwięzłe umiejętności	Podsumowania, wyodrębnione wspomnienia i zapisy epizodyczne	Niewbudowane	Przycinanie promptów albo buforowanie, a nie trwałe podsumowanie tego, co ważne
Uczenie się z obrazów, dźwięku, wideo i plików PDF	Uczy się z obrazów, dźwięku, wideo i plików PDF, tak jak z tekstu	Zależy od podłączonego modelu i narzędzi agenta	Zależy od zarejestrowanych zdarzeń aplikacji i stacku agentów	Skupione głównie na sesjach i śladach narzędzi	Zależy od dostawcy i modelu	Obsługiwane, gdy model i usługa treningowa przyjmują dany typ mediów	Głównie przekazuje obsługiwane media dalej do dostawców
Między mediami	Pytanie zadane słowami może korzystać z tego, czego nauczył się z obrazów, dźwięku i wideo, a media mogą wpływać na późniejsze decyzje	Zależy od modelu i od tego, jak zbudowana jest pamięć	Poza głównym zakresem CLiF	Poza głównym zakresem Hivemind	Dostępne w produktach, które indeksują więcej niż tekst	Zakodowane w wagach, jeśli trening to obsługuje	Niewbudowane
Ludzie, zespoły i udostępnianie
Dla każdej osoby	WbudowaneKażda osoba dostaje własny prywatny kontekst, preferencje i uczenie się	Wbudowana pamięć dla każdego agenta i użytkownika	Możliwe przez wątki aplikacji i kontenery uczenia się	Dostępne w zakresie osobistym albo obszaru roboczego	Mocna pamięć dla każdego użytkownika albo aktora	Zwykle wymaga osobno wytrenowanego albo dostosowanego modelu	Klucze i budżety dla każdego użytkownika; zachowanie osobiste jest zewnętrzne
Dla każdego zespołu	WbudowaneZespoły dzielą się zatwierdzoną wiedzą, a prywatna praca pozostaje prywatna	Wspólne repozytoria pamięci i umiejętności	Opublikowane umiejętności rozpowszechniają to, czego nauczył się zespół	Wspólna pamięć i umiejętności obszaru roboczego	Dostępne przez przestrzenie nazw, grafy albo wspólne magazyny danych	Zwykle wymaga wspólnych danych treningowych i wspólnego modelu	Konfiguracja i budżety dla każdego zespołu
W całej organizacji	WbudowaneTo, co działa, może przejść od jednej osoby do zespołu i organizacji, zgodnie z twoimi zasadami	Umiejętności i pamięć można udostępniać w całej organizacji	Zweryfikowane umiejętności można rozpowszechniać wśród obsługiwanych agentów	Lekcje z obszaru roboczego mogą rozchodzić się wśród połączonych agentów	Wspólna pamięć organizacji jest możliwa	Własny model może zakodować wspólne zachowanie dla organizacji	Kierowanie i bariery ochronne w całej organizacji, bez uczenia się z wyników
Udostępnianie między ludźmi, pod kontrolą	Ty wybierasz, co jest udostępniane i komu, i możesz to wycofać; wszystko, co udostępnione, pokazuje, od kogo pochodzi	Wspólne repozytoria i uprawnienia do współpracy	Uprawnienia do projektów i wdrożeń	Kontrola dostępu do obszarów roboczych	Przestrzenie nazw zależne od dostawcy, IAM albo uprawnienia w grafie	Kontrola dostępu do zbiorów danych i modeli	Kontrola według kluczy, zespołów i ról
Ochrona udostępnianych treści	To, co ktoś udostępnia, trafia jako informacja, nigdy jako instrukcja, więc nie może sterować agentem innej osoby	Opiera się na kontekście i uprawnieniach agenta	Zasady dewelopera i ograniczenia narzędzi mają pierwszeństwo przed umiejętnościami	Opiera się na tym, jak ładują się umiejętności, i na zaufaniu do obszaru roboczego	Zależy od aplikacji i dostawcy	Dane treningowe wymagają własnych kontroli przed treningiem	Bariery ochronne mogą sprawdzać udostępniane dane wejściowe, ale zaufanie do tego, co znaczą, pozostaje zewnętrzne
Kontrola i zaufanie
Zasady	Twoje zasady są częścią tego, jak działa Duplex: zezwalają na rzeczywiste działania, odrzucają je albo ograniczają	Instrukcje i uprawnienia kształtują zachowanie agenta	Wyuczone umiejętności nie mogą uchylić zasad bezpieczeństwa dewelopera ani ograniczeń narzędzi	Umiejętności prowadzą agenta, ale same niczego nie egzekwują	Kontekst może wpływać na zachowanie, ale nie autoryzuje działań	Zachowanie kształtuje trening, a nie zasady stosowane na bieżąco	Mocne bariery ochronne na wejściu i wyjściu oraz zasady kierowania
Zasady stosowane przed każdym działaniem	WbudowaneHooki sprawdzają każde działanie pod kątem twoich zasad, zanim zostanie wykonane	Zależy od środowiska uruchomieniowego Letta, uprawnień i hosta narzędzi	Pozostaje po stronie aplikacji hostującej i frameworka agentów	Pozostaje po stronie agenta hostującego	Pamięć dostarcza kontekst, ale nie autoryzuje działań zewnętrznych	Zewnętrzne	Mocne dla zapytań i odpowiedzi, które przechodzą przez bramkę
Ludzie w pętli	Człowiek potwierdza wybrane przez ciebie działania, a to, czego uczy się Duplex, można przejrzeć i cofnąć	Użytkownicy mogą przeglądać pamięć i umiejętności oraz nimi zarządzać	Dokładny przegląd przed publikacją wyuczonych umiejętności	Umiejętności można przejrzeć i edytować przed ponownym użyciem	Określa to aplikacja	Przegląd treningu, ewaluacja i zatwierdzenie przed wdrożeniem	Procesy zatwierdzania zależą od bramki
Historia, którą możesz sprawdzić	Historia każdej decyzji, skąd się wzięła i co z niej wynikło, której nie da się po cichu zmienić	Trwałe rozmowy, pamięć i stan agenta	Wnioski poparte dowodami i trajektorie, z których pochodzą	Umiejętności powiązane z sesjami oraz przechowywane ślady	Historia, śledzenie źródeł i kontrole audytowe zależą od dostawcy	Zadania treningowe, zbiory danych, metryki nagród i wersje modeli	Rozbudowane logi zapytań, odpowiedzi, kosztów i polityk
Protokoły, które możesz zweryfikować	Decyzje, umiejętności i usunięcia mogą mieć protokoły, które możesz zweryfikować	Wersjonowane wspomnienia i umiejętności	Odnośniki do dowodów i dokładne rewizje umiejętności	Pliki umiejętności powiązane z sesjami, z których pochodzą	Śledzenie źródeł zależy od dostawcy	Ewaluacja modeli i raporty z treningu	Logi i wyniki barier ochronnych, a nie protokoły tego, czego się nauczono
Dokładne cofanie tego, co wyuczone	WbudowaneJedną wyuczoną zmianę można dokładnie cofnąć, bez ponownego trenowania czegokolwiek	Umiejętności i wspomnienia można edytować albo przywracać do wcześniejszych wersji	Opublikowane umiejętności można poprawić albo wycofać	Pliki umiejętności można edytować albo usunąć	Wspomnienia można usunąć, ale zachowanie na nich zbudowane nie zostaje dokładnie cofnięte	Cofnij całą wersję modelu albo trenuj od nowa bez tej próbki	Konfigurację i wpisy w cache można usunąć; nie ma nic wyuczonego do cofnięcia
Zapominanie, które sięga wszystkiego, co na tym zbudowano	Usunięcie czegoś usuwa też to, co z tego wynikło: kontekst, wszystko, co z tego udostępniono, i powiązaną naukę	Pamięć i umiejętności porządkuje się przez pliki i wersje	Oznacza usunięcie dotkniętych wniosków, umiejętności i zasobów pochodnych	Oznacza usunięcie dotkniętych sesji i wygenerowanych umiejętności	Zwykle usuwa wpisy; pochodne podsumowania i kopie w innych miejscach wymagają osobnej obsługi	Wymaga oduczania maszynowego albo ponownego trenowania	Logi i cache podlegają własnym zasadom przechowywania
Oddzielenie klientów	Każdy użytkownik, zespół, organizacja i klient są od siebie oddzieleni, w każdej integracji i we wszystkim, co udostępnia	Uprawnienia w chmurze i na własnej infrastrukturze	Izolacja dla każdego projektu i wdrożenia	Pamięć i umiejętności w zakresie obszaru roboczego	Izolacja według użytkownika, aktora, przestrzeni nazw, grafu albo IAM	IAM w chmurze i granice dostępu do modeli	Dojrzała izolacja według klucza, zespołu, budżetu i roli
Skąd pochodzi wszystko, co wyuczone	Przy wszystkim, czego się nauczył, widzisz źródło, zakres i to, na ile można temu ufać	Pamięć i umiejętności można przeglądać	Wnioski i umiejętności pozostają powiązane z trajektoriami, z których pochodzą	Umiejętności mogą odsyłać do sesji, z których pochodzą	Mocne w produktach z grafami czasowymi; gdzie indziej różnie	Śledzenie pochodzenia zbiorów danych i metadane treningu	Śledzenie pochodzenia zapytań i dostawców
Gdzie działa i z czym się łączy
Dowolny dostawca modeli	Jedna inteligencja dla OpenAI, Anthropic, Google, AWS i zgodnych modeli	Harness dla agentów, który działa z każdym modelem	Działa z obsługiwanymi frameworkami agentów i modelami	Działa z kilkoma agentami programistycznymi i ich modelami	Na ogół niezależne od modelu	Zwykle powiązane z dostosowanym modelem i dostawcą treningu	WbudowaneAbstrakcja dostawców to to, co ta kategoria robi najlepiej
MCP	WbudowanePrzez MCP + hooks Duplex dołącza do każdego kroku twoich agentów	Hostowane MCP pozwala innym agentom tworzyć agentów Letta ze stanem i wysyłać im wiadomości	Umiejętności mogą trafiać do agentów i serwerów MCP przez integracje	Łączy się z głównymi agentami programistycznymi; sposób zależy od klienta	Dostępne w kilku produktach, w tym w Supermemory i AgentCore	Niewbudowane	Coraz częściej wbudowane
Hooki i wtyczki	WbudowaneWtyczki dla Claude, Codex, Cursor i Hermes oraz hooki, które włączają Duplex na każdym kroku i sprawdzają wrażliwe działania narzędzi	Integracja przez SDK, CLI i środowisko uruchomieniowe agentów	AG-UI i adaptery frameworków	Automatyczne rejestrowanie sesji agentów programistycznych	Integracje przez SDK i MCP	Zbieranie danych trzeba zbudować osobno	Integracja przez SDK i proxy, a nie hooki, które uczą się z sesji agentów
Twoja chmura albo własna infrastruktura	Vareon cloud, twoja chmura albo bez chmury: chmura prywatna, twoje własne konto, własna infrastruktura albo izolacja od sieci	Chmura oraz serwer aplikacji na własnej infrastrukturze	Inteligencja w chmurze i na własnej infrastrukturze	Lokalna integracja z agentami; opcje wdrożenia są różne	Zależy od dostawcy; istnieją opcje open source i zarządzane	Trening w chmurze i hostowana inferencja	Opcje hostowane i na własnej infrastrukturze zależą od bramki
Bez chmury: izolacja od sieci	Zbudowany dla wdrożeń, z których nic nie może wyjść, z lokalnymi modelami, lokalnymi zależnościami i twoim własnym dostawcą tożsamości	Możliwe ze stackiem na własnej infrastrukturze i lokalnymi zależnościami	Możliwe ze stackiem na własnej infrastrukturze i lokalnymi zależnościami	Zależy od wybranego wdrożenia i usług modeli	Zależy od platformy	Ograniczone do usług, które obsługują trening i inferencję offline	Dostępne z bramkami na własnej infrastrukturze i lokalnymi dostawcami
Koszt, szybkość i dopasowanie
Jak obniża koszt modelu	Duplex sam odpowiada na znaną pracę, bez powtarzania wywołań czołowego modelu	Lepszy kontekst i umiejętności poprawiają wyniki, ale model nadal działa	Lepsze umiejętności ograniczają porażki i poprawki, ale model nadal działa	Lepsze umiejętności ograniczają powtarzane błędy, ale model nadal działa	Lepszy kontekst ogranicza powtórzenia, ale dodaje wyszukiwanie i nadal wywołuje model	Mniejszy dostosowany model może dać jakość, której potrzebujesz	Buforowanie, tańsze modele, przetwarzanie wsadowe i wybór dostawcy
Jak obniża opóźnienie	Decyzje, których jest pewien, wracają szybko; niepewna praca nadal trafia do twojego czołowego modelu	Lepiej uporządkowany kontekst może ograniczyć zbędne rozumowanie	Umiejętności sprawiają, że wykonanie jest bardziej bezpośrednie	Umiejętności skracają powtarzane odkrywanie	Szybsze wyszukiwanie i mniejszy kontekst	Zależy od dostosowanego modelu	Buforowanie, równoważenie obciążenia i wybór dostawcy
Przetrwa aktualizację modelu	TakUczenie się, kontekst, zadania i zasady pozostają poza jakimkolwiek pojedynczym modelem	TakPamięć i umiejętności są celowo niezależne od modelu	TakUmiejętności i trajektorie pozostają poza wagami modelu	TakUmiejętności przetrwają zmianę agenta programistycznego albo modelu	TakPrzechowywany kontekst nie zależy od modelu	Dostosowanie należy do jednego checkpointu modelu, więc nie przenosi się automatycznie	Konfiguracja kierowania przetrwa, ale żadne wyuczone zachowanie nie zostaje zachowane
Potrzeba dostrajania	NieDostrajanie staje się opcjonalnym krokiem dalej	Nie	NieNie dla umiejętności; CLiF może też tworzyć dane do dostrajania	Nie	Nie	Tak	Nie
Najlepsze dla	Organizacje, które potrzebują, by ich agenci AI uczyli się, działali w ramach zasad, przenosili pracę dalej i doskonalili się między modelami, jako jeden system	Zespoły budujące trwałych, samodoskonalących się agentów wokół pamięci i umiejętności w przestrzeni tokenów	Zespoły produktowe, które zamieniają prawdziwe procesy użytkowników w zweryfikowane umiejętności, ewaluacje i materiały treningowe	Zespoły, które chcą, by agenci programistyczni automatycznie dzielili się sesjami i ponownie wykorzystywali lekcje	Aplikacje, które potrzebują głównie trwałego, trafnego kontekstu o użytkownikach albo firmie	Stabilne zadania o dużym wolumenie, w których sam model musi zostać wyspecjalizowany	Zespoły, które potrzebują głównie abstrakcji dostawców, niezawodności, barier ochronnych i kontroli kosztów

Jedna zamknięta pętla.

W Duplex kontekst, uczenie się, umiejętności i twoje zasady stają się jedną pętlą, która działa w trakcie pracy.

Duplex rozumie bieżące zadanie i przywołuje kontekst, który ma znaczenie.

Dlaczego to ważne.

Model AI może być inteligentny, nigdy nie nabierając doświadczenia w twojej pracy.

System pamięci pokazuje modelowi, co wydarzyło się wcześniej, ale nie decyduje, co powinno się zmienić. System umiejętności pakuje lekcję, ale model nadal musi ją przeczytać i się do niej zastosować. Dostrajanie zmienia model, przez wolniejszy cykl treningu, który trudno cofnąć. Bramka kontroluje ruch, ale nie uczy się, która decyzja doprowadziła do najlepszego wyniku.

Duplex zamienia doświadczenie w ulepszenia, gdy pracuje, w ramach twoich zasad.

Tak powstaje inny rodzaj zasobu. Każda potwierdzona korekta, udany proces, przydatny wynik narzędzia i ukończone zadanie wzmacnia inteligencję wokół twojego modelu, a nic z tego nie jest zamknięte u jednego dostawcy modeli.

Podsumowanie.

PamięćDaje agentowi przeszłość.
UmiejętnościDają agentowi instrukcje wielokrotnego użytku.
DostrajanieDaje modelowi inne wagi.
BramkiDają stackowi AI kontrolę nad ruchem.
DuplexDaje całemu systemowi agentów moc, by przenosić doświadczenie dalej, uczyć się z wyników, działać w ramach twoich zasad i doskonalić się między modelami, z czasem.

Spośród przeanalizowanych produktów i kategorii Duplex jako jedyny został zbudowany, by łączyć:

Kontekst między sesjami
Uczenie ciągłe na podstawie wyników
Uczenie się z korekt i nagród
Zasługa za kroki prowadzące do wyniku
Uczenie się, jak działania posuwają pracę, i przewidywanie, co będzie dalej
Decyzje, które wiedzą, jak bardzo są pewne
Przekazywanie do właściwego modelu, narzędzia albo osoby
Długotrwała praca, która toczy się dalej
Uczenie się dla każdej osoby, zespołu i organizacji
Twoje zasady, stosowane przed każdym działaniem
Działania narzędzi w ramach twoich zasad
Udostępnianie między ludźmi, pod kontrolą
Dokładne cofanie tego, co wyuczone
Zapominanie, które sięga wszystkiego, co na tym zbudowano
Skąd pochodzi wszystko, co wyuczone, z protokołami
MCP + hooks oraz wtyczki dla asystentów, których używasz
Ciągłość między modelami i aplikacjami
Twoja chmura, własna infrastruktura albo izolacja od sieci
Mniej wywołań modelu, bo na znaną pracę odpowiada się bezpośrednio

Duplex z każdym doświadczeniem sprawia, że twoje systemy AI lepiej wykonują pracę.

Źródła.

Strony produktów i dokumentacja, na których opiera się to porównanie.

Porównanie aktualne na dzień 16 października 2026.

Zobacz Duplex na własnej pracy.

Porównaj go tam, gdzie to się liczy: pilotaż uruchamia Duplex na twojej własnej pracy, ze wskaźnikami uzgodnionymi przed startem.

Rozpocznij pilotaż →Poznaj Duplex

Pamięć pamięta. Umiejętności kodyfikują. Dostrajanie znów trenuje. Bramki kierują.
Duplex zamyka pętlę.

Każde z nich rozwiązuje jedną część.

Platformy pamięci dają agentowi przeszłość: fakty, wiadomości i epizody, wyszukiwane na następne wywołanie modelu.

Uczenie się umiejętności daje agentowi instrukcje wielokrotnego użytku, wzięte z pracy, która się udała.

Dostrajanie daje modelowi inne wagi, trening po treningu.

Bramki AI dają stackowi AI kontrolę nad ruchem: kierowanie, ponowienia, bariery ochronne i koszty.

Duplex zamyka pętlę: przenosi kontekst dalej, uczy się z każdej korekty i każdego wyniku, działa w ramach twoich zasad i pozwala każdemu wybranemu przez ciebie modelowi korzystać z tego, czego się nauczył.

Wszystkie możliwości, obok siebie.

Jedna zamknięta pętla.

Duplex rozumie bieżące zadanie i przywołuje kontekst, który ma znaczenie.

Wie, czy przypadek jest znany, niepewny, czy objęty którąś z twoich zasad.

Decyduje, czy działać sam, wywołać model, użyć narzędzia, czy odmówić.

Uczy się, co się stało i czy to zadziałało.

Przypisuje zasługę decyzjom i działaniom, które doprowadziły do wyniku.

Zmienia to, co zrobi dalej, bez czekania na cykl ponownego trenowania.

Przenosi to, czego się nauczył, między sesjami, aplikacjami, agentami i dostawcami modeli.

Potrafi cofnąć niechcianą naukę i pokazać dokładnie, co się zmieniło.

Dlaczego to ważne.

Podsumowanie.

Źródła.

Zobacz Duplex na własnej pracy.

Pamięć pamięta. Umiejętności kodyfikują. Dostrajanie znów trenuje. Bramki kierują.Duplex zamyka pętlę.

Każde z nich rozwiązuje jedną część.

Platformy pamięci dają agentowi przeszłość: fakty, wiadomości i epizody, wyszukiwane na następne wywołanie modelu.

Wszystkie możliwości, obok siebie.

Jedna zamknięta pętla.

Duplex rozumie bieżące zadanie i przywołuje kontekst, który ma znaczenie.

Dlaczego to ważne.

Podsumowanie.

Źródła.

Zobacz Duplex na własnej pracy.

Pamięć pamięta. Umiejętności kodyfikują. Dostrajanie znów trenuje. Bramki kierują.
Duplex zamyka pętlę.