O Duplex e Letta,
lado a lado.
A Letta constrói agentes com estado em torno de memória persistente e competências aprendidas. O Duplex é uma segunda inteligência ao lado da sua IA: aprende com cada resultado e age em conformidade em execução, dentro das suas regras, seja qual for o modelo que usa.
Comparação atualizada a 16 de outubro de 2026.
Todas as capacidades: o Duplex e Letta.
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 | Letta |
|---|---|---|
| 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 |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Memória de agentes, conversas, ficheiros e competências |
| 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 |
| 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 |
| Aprendizagem | ||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | NativoAprendizagem no espaço de tokens e de competências |
| 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 |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As correções podem atualizar a memória ou alimentar competências aprendidas |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Melhores escolhas de ação | NativoOs desfechos melhoram a escolha da ação seguinte | O comportamento melhora através da memória e das competências |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | Permissões do agente e configuração de ferramentas |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | Repositórios de memória e competências partilhados |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | Memórias e competências versionadas |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 | Melhor contexto e melhores competências melhoram os resultados, 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 | Um contexto mais bem organizado pode reduzir raciocínio desperdiçado |
| 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 |
| 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 constroem agentes persistentes que se melhoram a si próprios, em torno de memória e competências no espaço de tokens |
As outras comparações.
- O Duplex e CopilotKit CLiFFluxos de trabalho reais, transformados em 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.