O Duplex e Gateways de IA,
lado a lado.

Portkey, LiteLLM e gateways semelhantes encaminham o tráfego, aplicam barreiras de proteção e gerem fornecedores. O Duplex aprende que decisões funcionam, e age em conformidade dentro das suas regras, em cada passo do trabalho.

Comparação atualizada a 16 de outubro de 2026.

Ver todas as capacidades →A comparação completa

Todas as capacidades: o Duplex e Gateways de IA.

O que cada um faz, grupo a grupo, desde o que é até ao que custa.

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.

Capacidade	Duplex	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	Encaminhamento entre modelos, fiabilidade, barreiras de proteção e observabilidade
O que leva adiante	Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu	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 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	Controlo operacional sem aprendizagem contínua
Aprendizagem
Aprendizagem contínua sem retreino	NativoContinua a aprender, fora dos pesos do seu modelo	Não nativo
Adaptação turno a turno	NativoCada resultado novo pode mudar logo a decisão seguinte	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	Normalmente ficam registadas; aprender com elas é externo
Aprender com os desfechos	NativoO sucesso e o fracasso alimentam diretamente o que aprende	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	Não nativo
Mérito para os passos que levam a um resultado	NativoDescobre que ações anteriores levaram a um resultado posterior	Não nativo
Como as ações fazem avançar o trabalho	NativoAprende como cada ação leva o trabalho de um estado ao seguinte	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	Não nativo
Melhores escolhas de ação	NativoOs desfechos melhoram a escolha da ação seguinte	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	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	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 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	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	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	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	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	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	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	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	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	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	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	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	Não nativo
Entre modelos	NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores	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 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	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	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	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	Não nativo
Pessoas, equipas e partilha
Para cada pessoa	NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados	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	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	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	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	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	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	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 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	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	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	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	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	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	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	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	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 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	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	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	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	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	A configuração de encaminhamento sobrevive, mas nenhum comportamento aprendido é mantido
Exige afinação	NãoA afinação torna-se uma melhoria opcional	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 precisam sobretudo de abstração de fornecedores, fiabilidade, barreiras de proteção e controlo de custos

As outras comparações.

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.

Comece um piloto →Conheça o Duplex

O Duplex e Gateways de IA,lado a lado.

Todas as capacidades: o Duplex e Gateways de IA.

As outras comparações.

Veja o Duplex no seu próprio trabalho.

O Duplex e Gateways de IA,
lado a lado.