O Duplex e plataformas de memória,
lado a lado.
Mem0, Zep, AgentCore Memory e Supermemory guardam factos, mensagens e episódios para a próxima chamada ao modelo. O Duplex aprende com a experiência: compreende o padrão, prevê o que vem a seguir e age em conformidade.
Comparação atualizada a 16 de outubro de 2026.
Todas as capacidades: o Duplex e plataformas de memória.
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 | Plataformas de memóriaMem0, Zep, AgentCore Memory e Supermemory |
|---|---|---|
| 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 | Contexto persistente, factos, episódios e grafos de conhecimento |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Factos, mensagens, resumos, episódios e relações de grafo |
| O que melhora com a experiência | As suas próximas decisões: confiança, encaminhamento, recomendações, uso de ferramentas e conhecimento reutilizável | Sobretudo o contexto dado à próxima chamada ao modelo |
| Saber o que aconteceu, e aprender com isso | NativoSabe o que aconteceu, e aprende o que mudar a seguir | Sobretudo memória; até onde aprende varia consoante o fornecedor |
| Aprendizagem | ||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | Melhoria através do contexto; a profundidade varia consoante a plataforma |
| Adaptação turno a turno | NativoCada resultado novo pode mudar logo a decisão seguinte | É possível acrescentar memórias continuamente, mas recuperá-las não é adaptar-se |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As correções podem ser armazenadas e recuperadas como contexto |
| Aprender com os desfechos | NativoO sucesso e o fracasso alimentam diretamente o que aprende | Os episódios podem ser recuperados, mas aprender com os desfechos é geralmente externo |
| Aprender com as recompensas | NativoUma recompensa reforça o que funcionou e corrige o que não funcionou | As recompensas não são uma funcionalidade comum de memória |
| 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 | Os episódios armazenados podem servir de exemplo |
| 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 | O contexto recuperado pode moldar o comportamento indiretamente |
| Competências reutilizáveis | NativoA experiência transforma-se em competências que são testadas antes do uso, e que podem ser pausadas, repostas ou retiradas | Depende do fornecedor; em geral, a categoria não gira em torno disto |
| Testar e gerir competências | Uma competência é testada antes de se contar com ela, e pode ser pausada, reposta, retirada ou removida de vez | Normalmente um ciclo de vida por registo, não por competência |
| Generalizar para casos relacionados | Leva o que aprendeu a casos relacionados e a formulações novas, e a competências que pode reutilizar | A recuperação semântica encontra informação relacionada, o que não é o mesmo que generalizar comportamento |
| 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 | Pontuações de recuperação e sinais de relevância |
| Responder, passar adiante ou recusar | NativoO Duplex responde por si, chama o seu modelo, usa uma ferramenta ou recusa, dentro das suas regras | ExternoA aplicação anfitriã decide como agir |
| Responder por si ao trabalho conhecido | NativoToma sozinho as decisões conhecidas, sem outra chamada a um modelo de fronteira | Normalmente, o modelo lê o contexto recuperado |
| 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 à aplicação |
| Planeamento, simulação e recomendações | NativoPrevê o que acontece a seguir, experimenta alternativas, constrói planos e recomenda ações | A memória fornece contexto; o planeamento continua externo |
| 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 | A memória partilhada pode servir vários agentes |
| Aprender que ferramentas funcionam | Aprende que ferramentas funcionam, quando as usar e a que leva cada uma | Os resultados das ferramentas podem ser recordados |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | ExternoFica a cargo da aplicação em sistemas só de memória |
| Streaming | Transmite em streaming o que o modelo e as ferramentas produzem, com cada passo sempre dentro das suas regras | Depende do fornecedor |
| Trabalho que continua | ||
| Aprender com cada passo, automaticamente | Cada passo, através de MCP + hooks ou dos plugins, alimenta um único ciclo de aprendizagem partilhado | As integrações por SDK ou ambiente de agentes captam mensagens e eventos |
| Contexto entre sessões | NativoO trabalho, as decisões, as tarefas e o contexto que importa continuam de uma sessão para a outra | NativoA categoria gira precisamente em torno disto |
| Trabalho de longa duração | NativoO trabalho longo fica aberto entre sessões e agentes, com pontos seguros para onde voltar, até estar concluído ou esquecido | O contexto pode ser recuperado, mas gerir o estado das tarefas é externo |
| Entre modelos | NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores | Em geral forte, porque a memória não depende do modelo |
| Entre apps e agentes | O mesmo trabalho continua no Claude, no Codex, no Cursor, no Hermes e nos seus próprios agentes | Possível quando as apps partilham a mesma identidade de memória |
| Passar trabalho a outro agente | Uma tarefa e o seu contexto passam para outro agente que autorize, prontos a continuar | Outro agente autorizado pode recuperar o contexto partilhado |
| Manter o contexto compacto | O contexto mantém-se compacto, focado nas regras, tarefas e decisões que importam | Resumos, memórias extraídas e registos episódicos |
| Aprender com imagens, áudio, vídeo e PDFs | Aprende com imagens, áudio, vídeo e PDFs, tal como com texto | Depende do fornecedor e do modelo |
| 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 | Disponível em produtos que indexam mais do que texto |
| Pessoas, equipas e partilha | ||
| Para cada pessoa | NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados | Memória sólida por utilizador ou por ator |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | Disponível através de namespaces, grafos ou armazenamentos partilhados |
| Em toda a organização | NativoO que funciona pode passar de uma pessoa para a equipa e para a organização, segundo as suas regras | É possível ter memória partilhada da 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 | Namespaces específicos de cada fornecedor, IAM ou permissões de grafo |
| 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 da app e do fornecedor |
| Controlo e confiança | ||
| As regras | As suas regras fazem parte de como o Duplex funciona: permitem, recusam ou limitam ações reais | O contexto pode informar o comportamento, mas não autoriza ações |
| Regras aplicadas antes de cada ação | NativoOs hooks verificam cada ação face às suas regras antes de ser executada | A memória fornece contexto, mas não autoriza ações externas |
| Pessoas no processo | Uma pessoa confirma as ações que escolher, e o que o Duplex aprende pode ser revisto e desfeito | Definido pela app |
| Um histórico que pode verificar | Um histórico de cada decisão, de onde veio e no que resultou, que não pode ser alterado às escondidas | O histórico, o rastreio da origem e os controlos de auditoria variam consoante o fornecedor |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | O rastreio da origem varia consoante o fornecedor |
| Desfazer o que foi aprendido, com exatidão | NativoUma alteração aprendida pode ser desfeita com exatidão, sem retreinar nada | As memórias podem ser eliminadas, mas o comportamento construído sobre elas não é revertido com exatidão |
| 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 | Normalmente elimina registos; os resumos derivados e as cópias noutros sítios exigem tratamento à parte |
| 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 utilizador, ator, namespace, grafo ou IAM |
| 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 | Forte em produtos de grafos temporais; varia nos restantes |
| Onde corre e com o que se liga | ||
| Qualquer fornecedor de modelos | Uma só inteligência com OpenAI, Anthropic, Google, AWS e modelos compatíveis | Em geral independente do modelo |
| MCP | NativoAtravés de MCP + hooks, o Duplex junta-se a cada passo que os seus agentes dão | Disponível em vários produtos, incluindo Supermemory e AgentCore |
| 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 | Integrações por SDK e MCP |
| A sua nuvem, ou autoalojado | Vareon cloud, a sua nuvem ou sem nuvem: nuvem privada, a sua própria conta, autoalojado ou isolado da rede | Específico de cada fornecedor; existem opções open source e geridas |
| 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 | Depende da plataforma |
| 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 reduz a repetição, mas acrescenta recuperação e continua a chamar o modelo |
| Como reduz a latência | As decisões de que tem certeza voltam depressa; o trabalho incerto continua a ir para o seu modelo de fronteira | Recuperação mais rápida e contexto mais pequeno |
| Sobrevive a uma atualização do modelo | SimA aprendizagem, o contexto, as tarefas e as regras ficam fora de qualquer modelo | SimO contexto armazenado não depende 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 | Apps que precisam sobretudo de um contexto de utilizador ou de negócio duradouro e relevante |
As outras comparações.
- O Duplex e LettaAgentes com estado, com memória e competências
- O Duplex e CopilotKit CLiFFluxos de trabalho reais, transformados em competências
- O Duplex e Deeplake HivemindMemória partilhada para agentes de programação
- 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.