O Duplex e CopilotKit CLiF,
lado a lado.
O CopilotKit CLiF transforma fluxos de trabalho reais de utilizadores em competências revistas, avaliações e dados de treino. O Duplex aprende com cada resultado enquanto o trabalho acontece, e age com base no que aprendeu, dentro das suas regras.
Comparação atualizada a 16 de outubro de 2026.
Todas as capacidades: o Duplex e CopilotKit CLiF.
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 | CopilotKit CLiF |
|---|---|---|
| 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 | Um pipeline full-stack que transforma trajetórias em competências, avaliações e dados de treino |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Fios, trajetórias, conclusões, competências e avaliações |
| O que melhora com a experiência | As suas próximas decisões: confiança, encaminhamento, recomendações, uso de ferramentas e conhecimento reutilizável | As instruções do agente, através de competências revistas, tiradas de fluxos de trabalho reais |
| Saber o que aconteceu, e aprender com isso | NativoSabe o que aconteceu, e aprende o que mudar a seguir | A aprendizagem é gerada a partir de trajetórias armazenadas |
| Aprendizagem | ||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | NativoAprendizagem de competências; os dados de afinação são opcionais |
| Adaptação turno a turno | NativoCada resultado novo pode mudar logo a decisão seguinte | A análise corre manualmente ou de forma agendada |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As alterações dos utilizadores e as ações da aplicação alimentam a sua aprendizagem |
| Aprender com os desfechos | NativoO sucesso e o fracasso alimentam diretamente o que aprende | Os desfechos em toda a stack tornam-se conclusões, competências, avaliações e dados de treino |
| Aprender com as recompensas | NativoUma recompensa reforça o que funcionou e corrige o que não funcionou | Pode produzir dados de afinação a partir de trajetórias avaliadas |
| Mérito para os passos que levam a um resultado | NativoDescobre que ações anteriores levaram a um resultado posterior | Analisar trajetórias pode revelar padrões úteis de fluxo de trabalho |
| Como as ações fazem avançar o trabalho | NativoAprende como cada ação leva o trabalho de um estado ao seguinte | Pode transformar fluxos de trabalho em competências |
| Prever o que uma ação vai fazer | NativoA partir do que observa, prevê o que uma ação vai fazer, experimenta alternativas e planeia | ExternoFica a cargo da framework de agentes |
| Melhores escolhas de ação | NativoOs desfechos melhoram a escolha da ação seguinte | As competências revistas melhoram as próximas instruções do agente |
| Competências reutilizáveis | NativoA experiência transforma-se em competências que são testadas antes do uso, e que podem ser pausadas, repostas ou retiradas | NativoAs trajetórias tornam-se competências revistas, apoiadas em evidências |
| Testar e gerir competências | Uma competência é testada antes de se contar com ela, e pode ser pausada, reposta, retirada ou removida de vez | Publicadas após revisão humana, entregues numa versão fixa |
| Generalizar para casos relacionados | Leva o que aprendeu a casos relacionados e a formulações novas, e a competências que pode reutilizar | As competências captam padrões ao longo de muitas trajetórias de produção |
| 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 | Guiado pela avaliação, não por uma medida de certeza em tempo real |
| Responder, passar adiante ou recusar | NativoO Duplex responde por si, chama o seu modelo, usa uma ferramenta ou recusa, dentro das suas regras | ExternoO agente anfitrião decide como agir |
| Responder por si ao trabalho conhecido | NativoToma sozinho as decisões conhecidas, sem outra chamada a um modelo de fronteira | O modelo continua a ler a competência aprendida |
| Passar adiante o que é novo ou incerto | O trabalho novo, incerto ou sensível vai para o modelo, a ferramenta ou a pessoa certa | ExternoCabe ao agente anfitrião |
| Planeamento, simulação e recomendações | NativoPrevê o que acontece a seguir, experimenta alternativas, constrói planos e recomenda ações | ExternoCabe ao agente anfitrião |
| 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 | Funciona com as frameworks de agentes suportadas |
| Aprender que ferramentas funcionam | Aprende que ferramentas funcionam, quando as usar e a que leva cada uma | As trajetórias full-stack captam ações de ferramentas e de utilizadores para novas competências |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | Controlado pela framework de agentes anfitriã |
| Streaming | Transmite em streaming o que o modelo e as ferramentas produzem, com cada passo sempre dentro das suas regras | Disponível através das frameworks de agentes suportadas |
| 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 AG-UI capta as ações dos agentes e dos utilizadores como trajetórias full-stack |
| Contexto entre sessões | NativoO trabalho, as decisões, as tarefas e o contexto que importa continuam de uma sessão para a outra | Os fios duradouros guardam as interações na app |
| 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 fios duradouros guardam o histórico das interações |
| Entre modelos | NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores | Forte: as competências podem ser entregues em várias stacks de agentes suportadas |
| Entre apps e agentes | O mesmo trabalho continua no Claude, no Codex, no Cursor, no Hermes e nos seus próprios agentes | As competências podem ser entregues através de adaptadores de frameworks suportados |
| Passar trabalho a outro agente | Uma tarefa e o seu contexto passam para outro agente que autorize, prontos a continuar | As trajetórias partilhadas e as competências publicadas mantêm o comportamento consistente |
| Manter o contexto compacto | O contexto mantém-se compacto, focado nas regras, tarefas e decisões que importam | As trajetórias são destiladas em conclusões e competências |
| Aprender com imagens, áudio, vídeo e PDFs | Aprende com imagens, áudio, vídeo e PDFs, tal como com texto | Depende dos eventos da app captados e da stack de agentes |
| 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 | Fora do foco principal do CLiF |
| Pessoas, equipas e partilha | ||
| Para cada pessoa | NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados | Possível através de fios da app e contentores de aprendizagem |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | As competências publicadas espalham a aprendizagem da 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 revistas podem ser espalhadas pelos agentes suportados |
| 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 | Permissões de projeto e de implementação |
| Proteção do conteúdo partilhado | O que alguém partilha chega como informação, nunca como instruções, por isso não pode orientar o agente de outra pessoa | A política do programador e as restrições de ferramentas sobrepõem-se às competências |
| Controlo e confiança | ||
| As regras | As suas regras fazem parte de como o Duplex funciona: permitem, recusam ou limitam ações reais | As competências aprendidas não podem sobrepor-se às regras de segurança do programador nem às restrições de ferramentas |
| Regras aplicadas antes de cada ação | NativoOs hooks verificam cada ação face às suas regras antes de ser executada | Fica a cargo da app anfitriã e da framework de agentes |
| Pessoas no processo | Uma pessoa confirma as ações que escolher, e o que o Duplex aprende pode ser revisto e desfeito | Uma revisão rigorosa antes de as competências aprendidas serem publicadas |
| Um histórico que pode verificar | Um histórico de cada decisão, de onde veio e no que resultou, que não pode ser alterado às escondidas | Conclusões apoiadas em evidências, e as trajetórias de onde vêm |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | Ligações a evidências e às revisões exatas das competências |
| Desfazer o que foi aprendido, com exatidão | NativoUma alteração aprendida pode ser desfeita com exatidão, sem retreinar nada | As competências publicadas podem ser revistas ou retiradas |
| 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 | Implica remover as conclusões, competências e ativos derivados afetados |
| Manter os clientes separados | Cada utilizador, equipa, organização e cliente é mantido à parte, em cada integração e em tudo o que partilha | Isolamento por projeto e implementação |
| 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 | As conclusões e as competências continuam ligadas às trajetórias de onde vieram |
| Onde corre e com o que se liga | ||
| Qualquer fornecedor de modelos | Uma só inteligência com OpenAI, Anthropic, Google, AWS e modelos compatíveis | Funciona com as frameworks de agentes e os modelos suportados |
| MCP | NativoAtravés de MCP + hooks, o Duplex junta-se a cada passo que os seus agentes dão | As competências podem chegar a agentes e servidores MCP através de integrações |
| 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 | AG-UI e adaptadores de frameworks |
| A sua nuvem, ou autoalojado | Vareon cloud, a sua nuvem ou sem nuvem: nuvem privada, a sua própria conta, autoalojado ou isolado da rede | Inteligência alojada na nuvem e autoalojada |
| 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 |
| 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 | Melhores competências reduzem falhas e retrabalho, mas o modelo continua a correr |
| Como reduz a latência | As decisões de que tem certeza voltam depressa; o trabalho incerto continua a ir para o seu modelo de fronteira | As competências tornam a execução mais direta |
| Sobrevive a uma atualização do modelo | SimA aprendizagem, o contexto, as tarefas e as regras ficam fora de qualquer modelo | SimAs competências e as trajetórias ficam fora dos pesos do modelo |
| Exige afinação | NãoA afinação torna-se uma melhoria opcional | NãoNão para as competências; o CLiF também pode produzir dados de afinação |
| 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 de produto que transformam fluxos de trabalho reais de utilizadores em competências revistas, avaliações e ativos de treino |
As outras comparações.
- O Duplex e LettaAgentes com estado, com memória e competências
- O Duplex e Deeplake HivemindMemória partilhada para agentes de programação
- O Duplex e plataformas de memóriaMem0, Zep, AgentCore Memory, Supermemory
- O Duplex e afinaçãoAfinação e afinação por reforço
- O Duplex e Gateways de IAPortkey, LiteLLM e semelhantes
- A comparação completaO Duplex junto dos seis, lado a lado
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.