A memória recorda. As competências codificam. A afinação retreina. Os gateways dirigem.
O Duplex fecha o ciclo.
Quase toda a infraestrutura de IA resolve uma parte do trabalho. O Duplex junta todas as partes numa só inteligência em execução que não para de melhorar enquanto trabalha.
Comparação atualizada a 16 de outubro de 2026.
Cada um resolve uma parte.
As plataformas de memória guardam informação. A aprendizagem de competências transforma a experiência em instruções. A afinação altera os pesos do modelo. Os gateways de IA encaminham pedidos e aplicam barreiras de proteção. O Duplex junta tudo isto, e não para de melhorar.
Passo 1 de 5: Memória
Todas as capacidades, lado a lado.
Escolha um para colocar ao lado do Duplex, ou veja todos de uma vez.
- Nativo
- Integrado no funcionamento central do produto.
- Externo
- É você que o fornece, ou monta, à parte.
- Não nativo
- A documentação do produto não o indica como funcionalidade integrada. Uma solução à medida pode ainda ser possível.
Colocar ao lado do Duplex:
| Capacidade | Duplex | Letta | CopilotKit CLiF | Deeplake Hivemind | Plataformas de memóriaMem0, Zep, AgentCore Memory e Supermemory | Afinação e RFT | Gateways de IAPortkey, LiteLLM e semelhantes |
|---|---|---|---|---|---|---|---|
| O que é cada um | |||||||
| O que é | Uma inteligência em execução ao lado da sua IA: aprende e age para os seus agentes e assistentes, dentro das suas regras | Uma plataforma de agentes com estado, construída em torno de memória persistente e aprendizagem no espaço de tokens | Um pipeline full-stack que transforma trajetórias em competências, avaliações e dados de treino | Memória partilhada de agentes que transforma rastos em competências automaticamente | Contexto persistente, factos, episódios e grafos de conhecimento | Personalizar um modelo ao treiná-lo | Encaminhamento entre modelos, fiabilidade, barreiras de proteção e observabilidade |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Memória de agentes, conversas, ficheiros e competências | Fios, trajetórias, conclusões, competências e avaliações | Sessões, memórias e competências circunscritas a uma área de trabalho | Factos, mensagens, resumos, episódios e relações de grafo | Um novo conjunto de pesos do modelo | Configuração, registos, políticas de encaminhamento e caches |
| O que melhora com a experiência | As suas próximas decisões: confiança, encaminhamento, recomendações, uso de ferramentas e conhecimento reutilizável | O comportamento futuro do agente, através de memória atualizada e competências aprendidas | As instruções do agente, através de competências revistas, tiradas de fluxos de trabalho reais | O comportamento da sessão seguinte, através de competências destiladas | Sobretudo o contexto dado à próxima chamada ao modelo | As respostas do modelo subjacente | O encaminhamento de pedidos e a fiabilidade, não o que o agente aprendeu |
| Saber o que aconteceu, e aprender com isso | NativoSabe o que aconteceu, e aprende o que mudar a seguir | Existem ambas, sobretudo através de memória e competências no espaço de tokens | A aprendizagem é gerada a partir de trajetórias armazenadas | A memória partilhada é transformada em competências reutilizáveis | Sobretudo memória; até onde aprende varia consoante o fornecedor | Aprendizagem sem memória operacional duradoura | Controlo operacional sem aprendizagem contínua |
| Aprendizagem | |||||||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | NativoAprendizagem no espaço de tokens e de competências | NativoAprendizagem de competências; os dados de afinação são opcionais | NativoAprender competências a partir de rastos | Melhoria através do contexto; a profundidade varia consoante a plataforma | NãoÉ com o treino que aprende | Não nativo |
| Adaptação turno a turno | NativoCada resultado novo pode mudar logo a decisão seguinte | A memória gerida pelo agente pode mudar continuamente; a aprendizagem de competências vem depois da experiência concluída | A análise corre manualmente ou de forma agendada | As competências são destiladas em segundo plano ou no fim de uma sessão | É possível acrescentar memórias continuamente, mas recuperá-las não é adaptar-se | Espera que um trabalho de treino termine e que o novo modelo seja implementado | O encaminhamento muda de imediato, mas não com base em desfechos aprendidos |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As correções podem atualizar a memória ou alimentar competências aprendidas | As alterações dos utilizadores e as ações da aplicação alimentam a sua aprendizagem | As correções e os rastos de sessão podem tornar-se competências | As correções podem ser armazenadas e recuperadas como contexto | As correções têm de entrar num conjunto de dados de treino ou num pipeline de recompensas | Normalmente ficam registadas; aprender com elas é externo |
| Aprender com os desfechos | NativoO sucesso e o fracasso alimentam diretamente o que aprende | Possível através da reflexão sobre trajetórias e de atualizações geridas pelo agente | Os desfechos em toda a stack tornam-se conclusões, competências, avaliações e dados de treino | As novas competências são extraídas de sessões concluídas | Os episódios podem ser recuperados, mas aprender com os desfechos é geralmente externo | NativoQuando os desfechos podem ser convertidos em recompensas | Os desfechos aparecem na telemetria; aprender com eles é externo |
| Aprender com as recompensas | NativoUma recompensa reforça o que funcionou e corrige o que não funcionou | As recompensas não são a sua principal forma de aprender | Pode produzir dados de afinação a partir de trajetórias avaliadas | As recompensas não são a sua principal forma de aprender | As recompensas não são uma funcionalidade comum de memória | NativoAs recompensas otimizam os pesos do modelo | Não nativo |
| Mérito para os passos que levam a um resultado | NativoDescobre que ações anteriores levaram a um resultado posterior | A Letta não oferece isto de forma nativa em execução | Analisar trajetórias pode revelar padrões úteis de fluxo de trabalho | Analisar rastos pode encontrar procedimentos reutilizáveis | Não nativo | Pode aprender correlações a partir de exemplos de treino, mas não consegue rastrear um resultado em tempo real até aos seus passos | Não nativo |
| Como as ações fazem avançar o trabalho | NativoAprende como cada ação leva o trabalho de um estado ao seguinte | O agente pode inferir isto a partir do contexto | Pode transformar fluxos de trabalho em competências | Pode captar procedimentos bem-sucedidos como competências | Os episódios armazenados podem servir de exemplo | Pode absorver estes padrões durante o treino | Não nativo |
| Prever o que uma ação vai fazer | NativoA partir do que observa, prevê o que uma ação vai fazer, experimenta alternativas e planeia | O modelo raciocina sobre a memória | ExternoFica a cargo da framework de agentes | Não nativo | Não nativo | Implícito no modelo treinado, onde não o pode editar | Não nativo |
| Melhores escolhas de ação | NativoOs desfechos melhoram a escolha da ação seguinte | O comportamento melhora através da memória e das competências | As competências revistas melhoram as próximas instruções do agente | As competências destiladas melhoram os procedimentos seguintes | O contexto recuperado pode moldar o comportamento indiretamente | NativoOtimizando o modelo | As políticas de encaminhamento são configuradas, não aprendidas a partir dos desfechos |
| Competências reutilizáveis | NativoA experiência transforma-se em competências que são testadas antes do uso, e que podem ser pausadas, repostas ou retiradas | NativoAs trajetórias podem tornar-se competências duradouras que funcionam com qualquer modelo | NativoAs trajetórias tornam-se competências revistas, apoiadas em evidências | NativoAs sessões tornam-se ficheiros skill.md para a área de trabalho | Depende do fornecedor; em geral, a categoria não gira em torno disto | O conhecimento é absorvido pelos pesos, não empacotado como competências portáteis | Não nativo |
| Testar e gerir competências | Uma competência é testada antes de se contar com ela, e pode ser pausada, reposta, retirada ou removida de vez | As competências são ficheiros que pode inspecionar, gerir e versionar | Publicadas após revisão humana, entregues numa versão fixa | As competências continuam a ser ficheiros que pode inspecionar e editar, ligados às sessões de onde vieram | Normalmente um ciclo de vida por registo, não por competência | A avaliação acontece em torno do treino e da implementação | Versões de configuração, não um ciclo de vida para competências aprendidas |
| Generalizar para casos relacionados | Leva o que aprendeu a casos relacionados e a formulações novas, e a competências que pode reutilizar | As competências no espaço de tokens generalizam procedimentos entre tarefas | As competências captam padrões ao longo de muitas trajetórias de produção | As competências captam padrões que se repetem entre sessões | A recuperação semântica encontra informação relacionada, o que não é o mesmo que generalizar comportamento | Generaliza através dos pesos treinados | As caches semânticas encontram pedidos semelhantes, mas não aprendem a agir |
| Decidir e agir | |||||||
| Saber o seu grau de certeza | NativoAntes de cada decisão, sabe quão conhecido é o caso e qual o seu grau de certeza | Sobretudo o juízo do modelo e a relevância da memória | Guiado pela avaliação, não por uma medida de certeza em tempo real | A relevância da recuperação e das competências, não uma medida de certeza | Pontuações de recuperação e sinais de relevância | A confiança do modelo tem de ser medida à parte | O estado dos fornecedores, o encaminhamento e as pontuações das barreiras de proteção, não a certeza sobre a tarefa |
| Responder, passar adiante ou recusar | NativoO Duplex responde por si, chama o seu modelo, usa uma ferramenta ou recusa, dentro das suas regras | Normalmente, o agente continua através do raciocínio do modelo | ExternoO agente anfitrião decide como agir | ExternoO agente anfitrião decide como agir | ExternoA aplicação anfitriã decide como agir | O modelo treinado continua a correr em cada pedido | Encaminhar, repetir, bloquear ou recorrer a uma alternativa, sem aprender com os desfechos |
| Responder por si ao trabalho conhecido | NativoToma sozinho as decisões conhecidas, sem outra chamada a um modelo de fronteira | O modelo continua a interpretar a memória ou as competências | O modelo continua a ler a competência aprendida | O modelo continua a ler a competência aprendida | Normalmente, o modelo lê o contexto recuperado | O modelo personalizado continua a correr | Uma cache pode evitar uma chamada ao modelo, mas uma cache não aprende com os desfechos |
| Passar adiante o que é novo ou incerto | O trabalho novo, incerto ou sensível vai para o modelo, a ferramenta ou a pessoa certa | O agente e o modelo decidem quando é necessária mais ajuda | ExternoCabe ao agente anfitrião | ExternoCabe ao agente anfitrião | ExternoCabe à aplicação | ExternoCabe à aplicação | Encaminhamento sólido e recurso a alternativas entre fornecedores; a certeza sobre a tarefa continua externa |
| Planeamento, simulação e recomendações | NativoPrevê o que acontece a seguir, experimenta alternativas, constrói planos e recomenda ações | Sobretudo através do raciocínio do modelo e das ferramentas do agente | ExternoCabe ao agente anfitrião | ExternoCabe ao agente anfitrião | A memória fornece contexto; o planeamento continua externo | O modelo pode planear melhor, mas o estado do trabalho continua externo | Não nativo |
| Muitos agentes, a trabalhar em conjunto | Envia o trabalho para o agente certo, divide-o dentro das suas regras, mantém cada agente no seu âmbito e junta os resultados | Há agentes, subagentes e memória partilhada | Funciona com as frameworks de agentes suportadas | Partilha lições entre agentes ligados | A memória partilhada pode servir vários agentes | Não nativo | Alguns encaminham para agentes e ferramentas MCP, mas não aprendem que colaboração funcionou |
| Aprender que ferramentas funcionam | Aprende que ferramentas funcionam, quando as usar e a que leva cada uma | As competências e a memória podem melhorar o uso de ferramentas | As trajetórias full-stack captam ações de ferramentas e de utilizadores para novas competências | Os rastos de ferramentas podem tornar-se procedimentos reutilizáveis | Os resultados das ferramentas podem ser recordados | O comportamento das ferramentas pode melhorar através do treino | Expõem e encaminham ferramentas, mas em geral não aprendem com os seus desfechos |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | Permissões do agente e configuração de ferramentas | Controlado pela framework de agentes anfitriã | Controlado pelo agente de programação anfitrião | ExternoFica a cargo da aplicação em sistemas só de memória | Externo | Encaminhamento e barreiras de proteção sólidos; o controlo das ações do agente depende da integração |
| Streaming | Transmite em streaming o que o modelo e as ferramentas produzem, com cada passo sempre dentro das suas regras | Disponível através de interfaces de agentes e de modelos | Disponível através das frameworks de agentes suportadas | Depende do agente anfitrião | Depende do fornecedor | Depende do fornecedor do modelo | NativoStreaming sólido |
| Trabalho que continua | |||||||
| Aprender com cada passo, automaticamente | Cada passo, através de MCP + hooks ou dos plugins, alimenta um único ciclo de aprendizagem partilhado | O ambiente de execução da Letta armazena as conversas e as ações dos agentes | O AG-UI capta as ações dos agentes e dos utilizadores como trajetórias full-stack | As sessões dos agentes e a atividade das ferramentas são captadas automaticamente | As integrações por SDK ou ambiente de agentes captam mensagens e eventos | Os registos ou conjuntos de dados têm de ser fornecidos para o treino | Os pedidos, as respostas, o custo e a latência ficam registados |
| Contexto entre sessões | NativoO trabalho, as decisões, as tarefas e o contexto que importa continuam de uma sessão para a outra | NativoOs agentes persistentes mantêm a memória entre conversas | Os fios duradouros guardam as interações na app | NativoA memória partilhada sobrevive às sessões dos agentes | NativoA categoria gira precisamente em torno disto | Não nativo | ExternoEm geral |
| Trabalho de longa duração | NativoO trabalho longo fica aberto entre sessões e agentes, com pontos seguros para onde voltar, até estar concluído ou esquecido | Os agentes persistentes podem dar continuidade ao trabalho, com o ciclo de vida definido pelo agente e pela app | Os fios duradouros guardam o histórico das interações | A memória de sessão ajuda a retomar o trabalho | O contexto pode ser recuperado, mas gerir o estado das tarefas é externo | Não nativo | Não nativo |
| Entre modelos | NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores | Forte: a memória e as competências no espaço de tokens podem sobreviver a uma troca de modelo | Forte: as competências podem ser entregues em várias stacks de agentes suportadas | Forte: as competências e a memória podem ser reutilizadas por diferentes agentes de programação | Em geral forte, porque a memória não depende do modelo | Fraco: um novo modelo base normalmente exige retreino ou nova validação | Forte no encaminhamento, mas nada do que foi aprendido é transferido |
| Entre apps e agentes | O mesmo trabalho continua no Claude, no Codex, no Cursor, no Hermes e nos seus próprios agentes | Os agentes com estado estão acessíveis através de SDKs e de MCP alojado | As competências podem ser entregues através de adaptadores de frameworks suportados | A memória partilhada liga o Claude Code, o Codex, o Cursor e outros agentes | Possível quando as apps partilham a mesma identidade de memória | Não nativo | Os pedidos podem partilhar um gateway, mas o que cada app sabe continua externo |
| Passar trabalho a outro agente | Uma tarefa e o seu contexto passam para outro agente que autorize, prontos a continuar | Agentes e repositórios partilhados podem apoiar uma passagem de trabalho | As trajetórias partilhadas e as competências publicadas mantêm o comportamento consistente | As competências da área de trabalho passam lições entre agentes | Outro agente autorizado pode recuperar o contexto partilhado | Não nativo | Pode haver encaminhamento para agentes e MCP; o significado da tarefa continua externo |
| Manter o contexto compacto | O contexto mantém-se compacto, focado nas regras, tarefas e decisões que importam | Organização da memória, resumos e gestão de contexto ao estilo de ficheiros | As trajetórias são destiladas em conclusões e competências | As sessões são destiladas em competências compactas | Resumos, memórias extraídas e registos episódicos | Não nativo | Truncagem ou cache de prompts, não um resumo duradouro do que importa |
| Aprender com imagens, áudio, vídeo e PDFs | Aprende com imagens, áudio, vídeo e PDFs, tal como com texto | Depende do modelo e das ferramentas de agente ligados | Depende dos eventos da app captados e da stack de agentes | Focado sobretudo em sessões e rastos de ferramentas | Depende do fornecedor e do modelo | Suportado quando o modelo e o serviço de treino aceitam esse formato | Sobretudo passa os formatos suportados para os fornecedores |
| Entre formatos | Uma pergunta em palavras pode recorrer ao que foi aprendido com imagens, áudio e vídeo, e os conteúdos multimédia podem moldar decisões posteriores | Depende do modelo e de como a memória é construída | Fora do foco principal do CLiF | Fora do foco principal do Hivemind | Disponível em produtos que indexam mais do que texto | Codificado nos pesos quando o treino o suporta | Não nativo |
| Pessoas, equipas e partilha | |||||||
| Para cada pessoa | NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados | Memória nativa por agente e por utilizador | Possível através de fios da app e contentores de aprendizagem | Disponível através de âmbito pessoal ou da área de trabalho | Memória sólida por utilizador ou por ator | Normalmente exige um modelo treinado ou adaptado à parte | Chaves e orçamentos por utilizador; o comportamento pessoal é externo |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | Repositórios de memória e competências partilhados | As competências publicadas espalham a aprendizagem da equipa | Memória e competências partilhadas da área de trabalho | Disponível através de namespaces, grafos ou armazenamentos partilhados | Normalmente exige dados de treino partilhados e um modelo partilhado | Configuração e orçamentos por equipa |
| Em toda a organização | NativoO que funciona pode passar de uma pessoa para a equipa e para a organização, segundo as suas regras | As competências e a memória podem ser partilhadas em toda a organização | As competências revistas podem ser espalhadas pelos agentes suportados | As lições da área de trabalho podem espalhar-se pelos agentes ligados | É possível ter memória partilhada da organização | Um modelo personalizado pode codificar o comportamento comum da organização | Encaminhamento e barreiras de proteção em toda a organização, sem aprender com os desfechos |
| Partilha entre pessoas, sob controlo | Escolhe o que é partilhado e com quem, e pode retirá-lo; tudo o que é partilhado mostra de quem veio | Repositórios partilhados e permissões de colaboração | Permissões de projeto e de implementação | Controlos de acesso da área de trabalho | Namespaces específicos de cada fornecedor, IAM ou permissões de grafo | Controlos de acesso para conjuntos de dados e modelos | Controlos por chave, equipa e função |
| Proteção do conteúdo partilhado | O que alguém partilha chega como informação, nunca como instruções, por isso não pode orientar o agente de outra pessoa | Depende do contexto e das permissões do agente | A política do programador e as restrições de ferramentas sobrepõem-se às competências | Depende de como as competências são carregadas, e da confiança na área de trabalho | Depende da app e do fornecedor | Os dados de treino precisam dos seus próprios controlos antes do treino | As barreiras de proteção podem inspecionar as entradas partilhadas, mas a confiança no que significam continua externa |
| Controlo e confiança | |||||||
| As regras | As suas regras fazem parte de como o Duplex funciona: permitem, recusam ou limitam ações reais | As instruções e as permissões moldam o comportamento do agente | As competências aprendidas não podem sobrepor-se às regras de segurança do programador nem às restrições de ferramentas | As competências orientam o agente, mas por si só não impõem nada | O contexto pode informar o comportamento, mas não autoriza ações | O comportamento é moldado pelo treino, não por regras em tempo real | Barreiras de proteção sólidas na entrada e na saída, e políticas de encaminhamento |
| Regras aplicadas antes de cada ação | NativoOs hooks verificam cada ação face às suas regras antes de ser executada | Depende do ambiente de execução da Letta, das permissões e do anfitrião das ferramentas | Fica a cargo da app anfitriã e da framework de agentes | Fica a cargo do agente anfitrião | A memória fornece contexto, mas não autoriza ações externas | Externo | Forte para os pedidos e as respostas que passam pelo gateway |
| Pessoas no processo | Uma pessoa confirma as ações que escolher, e o que o Duplex aprende pode ser revisto e desfeito | Os utilizadores podem inspecionar e gerir a memória e as competências | Uma revisão rigorosa antes de as competências aprendidas serem publicadas | As competências podem ser inspecionadas e editadas antes de serem reutilizadas | Definido pela app | Revisão do treino, avaliação e aprovação antes da implementação | Os fluxos de aprovação variam consoante o gateway |
| Um histórico que pode verificar | Um histórico de cada decisão, de onde veio e no que resultou, que não pode ser alterado às escondidas | Conversas, memória e estado do agente persistentes | Conclusões apoiadas em evidências, e as trajetórias de onde vêm | Competências ligadas a sessões, e rastos armazenados | O histórico, o rastreio da origem e os controlos de auditoria variam consoante o fornecedor | Trabalhos de treino, conjuntos de dados, métricas de recompensa e versões do modelo | Registos sólidos de pedidos, respostas, custos e políticas |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | Memórias e competências versionadas | Ligações a evidências e às revisões exatas das competências | Ficheiros de competências ligados às sessões de origem | O rastreio da origem varia consoante o fornecedor | Relatórios de avaliação e de treino do modelo | Registos e resultados das barreiras de proteção, não recibos do que foi aprendido |
| Desfazer o que foi aprendido, com exatidão | NativoUma alteração aprendida pode ser desfeita com exatidão, sem retreinar nada | As competências e as memórias podem ser editadas ou revertidas através de versões | As competências publicadas podem ser revistas ou retiradas | Os ficheiros de competências podem ser editados ou removidos | As memórias podem ser eliminadas, mas o comportamento construído sobre elas não é revertido com exatidão | Reverter uma versão inteira do modelo, ou retreinar sem a amostra | A configuração e as entradas de cache podem ser removidas; não há nada aprendido para reverter |
| Um esquecimento que chega a tudo o que foi construído sobre ele | Remover algo remove também o que dele veio: o contexto, tudo o que dele foi partilhado e a aprendizagem relacionada | A memória e as competências são limpas através de ficheiros e versões | Implica remover as conclusões, competências e ativos derivados afetados | Implica remover as sessões e as competências geradas afetadas | Normalmente elimina registos; os resumos derivados e as cópias noutros sítios exigem tratamento à parte | Exige desaprendizagem automática ou retreino | Os registos e as caches seguem a sua própria política de retenção |
| Manter os clientes separados | Cada utilizador, equipa, organização e cliente é mantido à parte, em cada integração e em tudo o que partilha | Permissões na nuvem e em autoalojamento | Isolamento por projeto e implementação | Memória e competências circunscritas a uma área de trabalho | Isolamento por utilizador, ator, namespace, grafo ou IAM | IAM da nuvem e limites de acesso aos modelos | Isolamento maduro por chave, equipa, orçamento e função |
| De onde veio tudo o que foi aprendido | Para tudo o que aprendeu, pode ver a origem, o âmbito e até que ponto é de confiança | A memória e as competências continuam inspecionáveis | As conclusões e as competências continuam ligadas às trajetórias de onde vieram | As competências podem remeter para as sessões de origem | Forte em produtos de grafos temporais; varia nos restantes | Linhagem dos conjuntos de dados e metadados de treino | Linhagem dos pedidos e dos fornecedores |
| Onde corre e com o que se liga | |||||||
| Qualquer fornecedor de modelos | Uma só inteligência com OpenAI, Anthropic, Google, AWS e modelos compatíveis | Um ambiente de agentes que funciona com qualquer modelo | Funciona com as frameworks de agentes e os modelos suportados | Funciona com vários agentes de programação e os seus modelos | Em geral independente do modelo | Normalmente ligado ao modelo personalizado e ao fornecedor do treino | NativoA abstração de fornecedores é o que a categoria faz melhor |
| MCP | NativoAtravés de MCP + hooks, o Duplex junta-se a cada passo que os seus agentes dão | O MCP alojado permite que outros agentes criem agentes Letta com estado e lhes enviem mensagens | As competências podem chegar a agentes e servidores MCP através de integrações | Liga-se aos principais agentes de programação; o modo varia consoante o cliente | Disponível em vários produtos, incluindo Supermemory e AgentCore | Não nativo | Cada vez mais nativo |
| Hooks e plugins | NativoPlugins para Claude, Codex, Cursor e Hermes, e hooks que chamam o Duplex a cada passo e verificam ações sensíveis de ferramentas | Integração por SDK, CLI e ambiente de execução de agentes | AG-UI e adaptadores de frameworks | Captação automática de sessões de agentes de programação | Integrações por SDK e MCP | A recolha de dados tem de ser construída à parte | Integração por SDK e proxy, não hooks que aprendem com sessões de agentes |
| A sua nuvem, ou autoalojado | Vareon cloud, a sua nuvem ou sem nuvem: nuvem privada, a sua própria conta, autoalojado ou isolado da rede | Nuvem, e um servidor de aplicação autoalojado | Inteligência alojada na nuvem e autoalojada | Integração local de agentes; as opções de implementação variam | Específico de cada fornecedor; existem opções open source e geridas | Treino na nuvem e inferência alojada | As opções alojadas e autoalojadas variam consoante o gateway |
| Sem nuvem: isolado da rede | Feito para implementações de onde nada pode sair, com modelos locais, dependências locais e o seu próprio fornecedor de identidade | Possível com uma stack autoalojada e dependências locais | Possível com uma stack autoalojada e dependências locais | Depende da implementação escolhida e dos serviços de modelos | Depende da plataforma | Limitado a serviços que suportam treino e inferência sem ligação | Disponível com gateways autoalojados e fornecedores locais |
| Custo, velocidade e adequação | |||||||
| Como reduz o custo do modelo | O Duplex responde sozinho ao trabalho conhecido, sem repetir chamadas a um modelo de fronteira | Melhor contexto e melhores competências melhoram os resultados, mas o modelo continua a correr | Melhores competências reduzem falhas e retrabalho, mas o modelo continua a correr | Melhores competências reduzem erros repetidos, mas o modelo continua a correr | Melhor contexto reduz a repetição, mas acrescenta recuperação e continua a chamar o modelo | Um modelo personalizado mais pequeno pode dar a qualidade de que precisa | Cache, modelos mais baratos, processamento em lote e escolha de fornecedor |
| Como reduz a latência | As decisões de que tem certeza voltam depressa; o trabalho incerto continua a ir para o seu modelo de fronteira | Um contexto mais bem organizado pode reduzir raciocínio desperdiçado | As competências tornam a execução mais direta | As competências encurtam descobertas repetidas | Recuperação mais rápida e contexto mais pequeno | Depende do modelo personalizado | Cache, balanceamento de carga e escolha de fornecedor |
| Sobrevive a uma atualização do modelo | SimA aprendizagem, o contexto, as tarefas e as regras ficam fora de qualquer modelo | SimA memória e as competências são deliberadamente independentes do modelo | SimAs competências e as trajetórias ficam fora dos pesos do modelo | SimAs competências sobrevivem a uma troca de agente de programação ou de modelo | SimO contexto armazenado não depende do modelo | A personalização pertence a um único ponto de controlo do modelo, por isso não se transfere automaticamente | A configuração de encaminhamento sobrevive, mas nenhum comportamento aprendido é mantido |
| Exige afinação | NãoA afinação torna-se uma melhoria opcional | Não | NãoNão para as competências; o CLiF também pode produzir dados de afinação | Não | Não | Sim | Não |
| Ideal para | Organizações que precisam que os seus agentes de IA aprendam, ajam dentro de regras, levem o trabalho adiante e melhorem entre modelos, como um só sistema | Equipas que constroem agentes persistentes que se melhoram a si próprios, em torno de memória e competências no espaço de tokens | Equipas de produto que transformam fluxos de trabalho reais de utilizadores em competências revistas, avaliações e ativos de treino | Equipas que querem que os agentes de programação partilhem sessões e reutilizem lições automaticamente | Apps que precisam sobretudo de um contexto de utilizador ou de negócio duradouro e relevante | Tarefas estáveis e de grande volume em que o próprio modelo tem de ser especializado | Equipas que precisam sobretudo de abstração de fornecedores, fiabilidade, barreiras de proteção e controlo de custos |
Um ciclo fechado.
O Duplex é onde o contexto, a aprendizagem, as competências e as suas regras se tornam um só ciclo, a funcionar enquanto o trabalho acontece.
O Duplex compreende a tarefa em mãos, e traz de volta o contexto que importa.
Passo 1 de 8: A tarefa
Porque é importante.
Um modelo de IA pode ser inteligente sem nunca ganhar experiência no seu trabalho.
Um sistema de memória mostra ao modelo o que aconteceu antes, mas não decide o que deve mudar. Um sistema de competências empacota uma lição, mas o modelo continua a ter de a ler e seguir. A afinação muda o modelo, através de um ciclo de treino mais lento e difícil de desfazer. Um gateway controla o tráfego, mas não aprende que decisão levou ao melhor desfecho.
O Duplex transforma a experiência em melhoria enquanto trabalha, dentro das suas regras.
Isso constrói outro tipo de ativo. Cada correção confirmada, fluxo de trabalho bem-sucedido, resultado útil de uma ferramenta e tarefa concluída reforça a inteligência em torno do seu modelo, e nada disso fica preso a um único fornecedor de modelos.
A conclusão.
- MemóriaDá um passado a um agente.
- CompetênciasDão a um agente instruções reutilizáveis.
- AfinaçãoDá a um modelo pesos diferentes.
- GatewaysDão a uma stack de IA controlo do tráfego.
- DuplexDá a todo o sistema de agentes a capacidade de levar a experiência adiante, aprender com os resultados, agir dentro das suas regras e melhorar entre modelos, ao longo do tempo.
Entre os produtos e as categorias analisados, o Duplex é o único construído para combinar:
- Contexto entre sessões
- Aprendizagem contínua a partir dos desfechos
- Aprender com correções e recompensas
- Mérito para os passos que levam a um resultado
- Aprender como as ações fazem avançar o trabalho, e prever o que vem a seguir
- Decisões que conhecem o seu grau de certeza
- Passar ao modelo, à ferramenta ou à pessoa certa
- Trabalho longo que continua
- Aprendizagem para cada pessoa, equipa e organização
- As suas regras, aplicadas antes de cada ação
- Ações de ferramentas dentro das suas regras
- Partilha entre pessoas, sob controlo
- Desfazer o que foi aprendido, com exatidão
- Um esquecimento que chega a tudo o que foi construído sobre ele
- De onde veio tudo o que foi aprendido, com recibos
- MCP + hooks, e plugins para os assistentes que usa
- Continuidade entre modelos e apps
- A sua nuvem, autoalojado ou isolado da rede
- Menos chamadas ao modelo, porque o trabalho conhecido é respondido diretamente
O Duplex torna os seus sistemas de IA melhores no trabalho a cada experiência.
As fontes.
As páginas de produto e a documentação em que esta comparação se baseia.
- Letta: aprendizagem de competências →
- Letta: MCP alojado →
- CopilotKit: apresentamos o CLiF →
- CopilotKit: aprendizagem automatizada →
- Deeplake Hivemind →
- Supermemory →
- Mem0: memória de grafos →
- Zep: memória de agentes →
- Amazon Bedrock AgentCore Memory →
- Afinação por reforço no Amazon Bedrock →
- Gateway de IA do Portkey →
- Gateway de IA do LiteLLM →
Comparação atualizada a 16 de outubro de 2026.
Veja o Duplex no seu próprio trabalho.
Compare-o onde conta: um piloto põe o Duplex no seu próprio trabalho, com as métricas acordadas antes de começar.