Minne minns. Färdigheter kodifierar. Finjustering tränar om. Gateways dirigerar.
Duplex sluter slingan.

Den mesta AI-infrastrukturen löser en del av arbetet. Duplex samlar alla delar i en körtidsintelligens som hela tiden blir bättre medan den arbetar.

Jämförelsen är aktuell per den 16 oktober 2026.

Se alla förmågor →Starta en pilot

Var och en löser en del.

Minnesplattformar behåller information. Färdighetsinlärning gör erfarenhet till anvisningar. Finjustering ändrar modellens vikter. AI-gateways dirigerar förfrågningar och tillämpar skyddsräcken. Duplex samlar allt detta och fortsätter att bli bättre.

Minnesplattformar ger en agent ett förflutet: fakta, meddelanden och episoder, hämtade till nästa modellanrop.

Alla förmågor, sida vid sida.

Välj en att ställa bredvid Duplex, eller se alla på en gång.

Inbyggt: Inbyggt i hur produkten fungerar i grunden.
Externt: Du tillhandahåller det, eller sätter ihop det, separat.
Inte inbyggt: Produktens dokumentation anger det inte som en inbyggd funktion. En egen lösning kan ändå vara möjlig.

Ställ bredvid Duplex:

Förmåga	Duplex	Letta	CopilotKit CLiF	Deeplake Hivemind	MinnesplattformarMem0, Zep, AgentCore Memory och Supermemory	Finjustering och RFT	AI-gatewaysPortkey, LiteLLM och liknande
Vad var och en är
Vad det är	En körtidsintelligens bredvid din AI: den lär sig och agerar för dina agenter och assistenter, inom dina regler	En plattform för agenter med tillstånd, byggd kring beständigt minne och inlärning i tokenrymden	En fullstackspipeline som gör förlopp till färdigheter, utvärderingar och träningsdata	Delat agentminne som automatiskt gör spår till färdigheter	Beständig kontext, fakta, episoder och kunskapsgrafer	Att anpassa en modell genom att träna den	Modelldirigering, tillförlitlighet, skyddsräcken och observerbarhet
Vad den för vidare	Kontext, beslut, utfall, regler, uppgifter, färdigheter och det den har lärt sig	Agentminne, konversationer, filer och färdigheter	Trådar, förlopp, insikter, färdigheter och utvärderingar	Sessioner, minnen och färdigheter avgränsade till ett arbetsområde	Fakta, meddelanden, sammanfattningar, episoder och grafrelationer	En ny uppsättning modellvikter	Konfiguration, loggar, dirigeringspolicyer och cachar
Vad som blir bättre med erfarenhet	Dess nästa beslut: konfidens, dirigering, rekommendationer, verktygsanvändning och återanvändbar kunskap	Agentens framtida beteende, genom uppdaterat minne och inlärda färdigheter	Agentens anvisningar, genom granskade färdigheter hämtade från verkliga arbetsflöden	Nästa sessions beteende, genom destillerade färdigheter	Främst den kontext som ges till nästa modellanrop	Den underliggande modellens svar	Dirigering av förfrågningar och tillförlitlighet, inte vad agenten har lärt sig
Att veta vad som hände, och lära av det	InbyggtDen vet vad som hände, och lär sig vad som ska ändras härnäst	Båda finns, främst genom minne och färdigheter i tokenrymden	Inlärning genereras från lagrade förlopp	Delat minne görs om till återanvändbara färdigheter	Främst minne; hur långt inlärningen går varierar mellan leverantörer	Inlärning utan varaktigt operativt minne	Operativ kontroll utan kontinuerlig inlärning
Inlärning
Kontinuerlig inlärning utan omträning	InbyggtDen fortsätter att lära sig, utanför din modells vikter	InbyggtInlärning i tokenrymden och av färdigheter	InbyggtFärdighetsinlärning; finjusteringsdata är valfritt	InbyggtInlärning av färdigheter från spår	Förbättring genom kontext; hur djupt det går varierar mellan plattformar	NejTräning är hur den lär sig	Inte inbyggt
Anpassning tur för tur	InbyggtVarje nytt resultat kan ändra nästa beslut direkt	Agentstyrt minne kan ändras kontinuerligt; färdighetsinlärning följer efter avslutad erfarenhet	Analysen körs manuellt eller enligt schema	Färdigheter destilleras i bakgrunden eller i slutet av en session	Minnen kan läggas till kontinuerligt, men att hämta dem är inte att anpassa sig	Väntar tills ett träningsjobb är klart och den nya modellen är driftsatt	Dirigeringen ändras direkt, men inte utifrån inlärda utfall
Inlärning från rättelser	InbyggtEn rättelse ändrar vad Duplex gör härnäst	Rättelser kan uppdatera minnet eller mata inlärda färdigheter	Användarändringar och åtgärder i appen matar dess inlärning	Rättelser och sessionsspår kan bli färdigheter	Rättelser kan lagras och hämtas som kontext	Rättelser måste in i en träningsdatamängd eller en belöningspipeline	Loggas oftast; att lära av dem sker externt
Inlärning från utfall	InbyggtFramgång och misslyckande matas direkt tillbaka in i det den lär sig	Möjligt genom reflektion över förlopp och agentstyrda uppdateringar	Utfall i hela stacken blir insikter, färdigheter, utvärderingar och träningsdata	Nya färdigheter hämtas från avslutade sessioner	Episoder kan tas fram igen, men inlärning från utfall sker i regel externt	InbyggtNär utfall kan omvandlas till belöningar	Utfall syns i telemetrin; att lära av dem sker externt
Inlärning från belöningar	InbyggtEn belöning förstärker det som fungerade och rättar det som inte gjorde det	Belöningar är inte dess huvudsakliga sätt att lära sig	Kan ta fram finjusteringsdata från utvärderade förlopp	Belöningar är inte dess huvudsakliga sätt att lära sig	Belöningar är inte en standardfunktion för minne	InbyggtBelöningar optimerar modellens vikter	Inte inbyggt
Äran till stegen bakom ett resultat	InbyggtDen räknar ut vilka tidigare handlingar som ledde till ett senare resultat	Letta erbjuder inte detta inbyggt vid körning	Analys av förlopp kan lyfta fram användbara mönster i arbetsflöden	Analys av spår kan hitta återanvändbara procedurer	Inte inbyggt	Kan lära sig korrelationer från träningsexempel, men kan inte spåra ett resultat i drift tillbaka till dess steg	Inte inbyggt
Hur handlingar för arbetet framåt	InbyggtDen lär sig hur varje handling för arbetet från ett tillstånd till nästa	Agenten kan härleda detta från kontexten	Kan göra arbetsflöden till färdigheter	Kan fånga lyckade procedurer som färdigheter	Lagrade episoder kan fungera som exempel	Kan ta upp dessa mönster under träningen	Inte inbyggt
Att förutsäga vad en åtgärd kommer att göra	InbyggtUtifrån det den observerar förutsäger den vad en handling kommer att göra, provar alternativ och planerar	Modellen resonerar över minnet	ExterntÖverlåtet till agentramverket	Inte inbyggt	Inte inbyggt	Implicit i den tränade modellen, där du inte kan redigera det	Inte inbyggt
Bättre val av handling	InbyggtUtfall förbättrar vilken handling den väljer härnäst	Beteendet förbättras genom minne och färdigheter	Granskade färdigheter förbättrar agentens nästa anvisningar	Destillerade färdigheter förbättrar nästa procedurer	Hämtad kontext kan forma beteendet indirekt	InbyggtGenom att optimera modellen	Dirigeringspolicyer konfigureras, de lärs inte in från utfall
Återanvändbara färdigheter	InbyggtErfarenhet blir färdigheter som testas innan de används och som kan pausas, återinföras eller dras tillbaka	InbyggtFörlopp kan bli varaktiga färdigheter som fungerar med vilken modell som helst	InbyggtFörlopp blir granskade färdigheter, med underlag som stöd	InbyggtSessioner blir skill.md-filer för arbetsområdet	Beror på leverantören; i regel inte det kategorin är byggd kring	Kunskap tas upp i vikterna och paketeras inte som flyttbara färdigheter	Inte inbyggt
Att testa och hantera färdigheter	En färdighet testas innan man förlitar sig på den, och kan pausas, återinföras, dras tillbaka eller tas bort för gott	Färdigheter är filer som du kan inspektera, hantera och versionera	Publiceras efter mänsklig granskning och levereras i en låst version	Färdigheter förblir filer som du kan inspektera och redigera, kopplade till sessionerna de kom från	Oftast en livscykel per post, inte per färdighet	Utvärdering sker kring träning och driftsättning	Konfigurationsversioner, inte en livscykel för inlärda färdigheter
Generalisering till närliggande fall	Den för det den har lärt sig vidare till närliggande fall och nya formuleringar, och in i färdigheter den kan återanvända	Färdigheter i tokenrymden generaliserar procedurer mellan uppgifter	Färdigheter fångar mönster över många produktionsförlopp	Färdigheter fångar mönster som återkommer mellan sessioner	Semantisk hämtning hittar relaterad information, vilket inte är samma sak som att generalisera beteende	Generaliserar genom de tränade vikterna	Semantiska cachar matchar liknande förfrågningar, men lär sig inte hur de ska agera
Att besluta och agera
Att veta hur säker den är	InbyggtFöre varje beslut vet den hur bekant fallet är och hur säker den är	Främst modellens omdöme och hur relevant minnet är	Styrt av utvärdering, inte ett löpande mått på visshet	Hur relevanta hämtning och färdigheter är, inte ett mått på visshet	Hämtningspoäng och relevanssignaler	Modellens konfidens måste mätas separat	Leverantörernas hälsa, dirigering och poäng från skyddsräcken, inte visshet om uppgiften
Svara, lämna över eller avböja	InbyggtDuplex svarar själv, anropar din modell, använder ett verktyg eller avböjer, inom dina regler	Agenten fortsätter oftast genom modellens resonemang	ExterntVärdagenten avgör hur den ska agera	ExterntVärdagenten avgör hur den ska agera	ExterntVärdapplikationen avgör hur den ska agera	Den tränade modellen körs fortfarande vid varje förfrågan	Dirigerar, försöker igen, blockerar eller faller tillbaka, utan att lära av utfall
Att själv besvara bekant arbete	InbyggtDen fattar bekanta beslut själv, utan ännu ett anrop till en spetsmodell	Modellen tolkar fortfarande minnet eller färdigheterna	Modellen läser fortfarande den inlärda färdigheten	Modellen läser fortfarande den inlärda färdigheten	Modellen läser normalt den hämtade kontexten	Den anpassade modellen körs fortfarande	En cache kan hoppa över ett modellanrop, men en cache lär sig inte av utfall
Att lämna över det som är nytt eller osäkert	Nytt, osäkert eller känsligt arbete går till rätt modell, verktyg eller person	Agenten och modellen avgör när mer hjälp behövs	ExterntVärdagentens uppgift	ExterntVärdagentens uppgift	ExterntApplikationens uppgift	ExterntApplikationens uppgift	Stark dirigering och reservlösning mellan leverantörer; visshet om uppgiften förblir extern
Planering, simulering och rekommendationer	InbyggtDen förutsäger vad som händer härnäst, provar alternativ, bygger planer och rekommenderar handlingar	Främst genom modellens resonemang och agentens verktyg	ExterntVärdagentens uppgift	ExterntVärdagentens uppgift	Minnet ger kontext; planering förblir extern	Modellen kanske planerar bättre, men arbetets tillstånd förblir externt	Inte inbyggt
Många agenter som arbetar tillsammans	Den skickar arbetet till rätt agent, delar upp det inom dina regler, håller varje agent inom sitt område och för samman resultaten	Agenter, underagenter och delat minne finns tillgängliga	Fungerar med de agentramverk som stöds	Delar lärdomar mellan anslutna agenter	Delat minne kan tjäna flera agenter	Inte inbyggt	Vissa dirigerar till agenter och MCP-verktyg, men lär sig inte vilket samarbete som fungerade
Att lära sig vilka verktyg som fungerar	Den lär sig vilka verktyg som fungerar, när de ska användas och vad vart och ett leder till	Färdigheter och minne kan förbättra verktygsanvändningen	Fullstacksförlopp fångar verktygs- och användaråtgärder för nya färdigheter	Verktygsspår kan bli återanvändbara procedurer	Verktygsresultat kan kommas ihåg	Verktygsbeteende kan förbättras genom träning	De exponerar och dirigerar verktyg, men lär sig i regel inte av deras utfall
Verktygsåtgärder inom dina regler	Verktyg körs bara genom dina regler och behörigheter	Agentbehörigheter och verktygskonfiguration	Styrs av värdens agentramverk	Styrs av värdens kodagent	ExterntÖverlåtet till applikationen i system med enbart minne	Externt	Stark dirigering och starka skyddsräcken; kontroll över agentens åtgärder beror på integrationen
Strömning	Den strömmar utdata från modell och verktyg, med varje steg fortfarande inom dina regler	Tillgängligt via agent- och modellgränssnitt	Tillgängligt via de agentramverk som stöds	Beror på värdagenten	Beror på leverantören	Beror på modelleverantören	InbyggtStark strömning
Arbete som fortsätter
Inlärning från varje steg, automatiskt	Varje steg, via MCP + hooks eller tilläggen, matar en enda gemensam inlärningsslinga	Lettas körmiljö lagrar agenternas konversationer och åtgärder	AG-UI fångar agent- och användaråtgärder som fullstacksförlopp	Agentsessioner och verktygsaktivitet fångas automatiskt	Integrationer via SDK eller agentmiljö fångar meddelanden och händelser	Loggar eller datamängder måste tillhandahållas för träningen	Förfrågningar, svar, kostnad och latens loggas
Kontext mellan sessioner	InbyggtArbete, beslut, uppgifter och den kontext som spelar roll fortsätter mellan sessioner	InbyggtBeständiga agenter behåller minnet mellan konversationer	Varaktiga trådar behåller interaktionerna i appen	InbyggtDelat minne lever längre än agentsessionerna	InbyggtDet är precis det kategorin är byggd kring	Inte inbyggt	ExterntI regel
Långvarigt arbete	InbyggtLångt arbete förblir öppet mellan sessioner och agenter, med säkra punkter att gå tillbaka till, tills det är klart eller glömt	Beständiga agenter kan föra arbetet vidare, med en livscykel som agenten och appen bestämmer	Varaktiga trådar behåller historiken över interaktioner	Sessionsminne hjälper till att ta upp arbetet igen	Kontext kan hämtas, men att hantera uppgifternas tillstånd sker externt	Inte inbyggt	Inte inbyggt
Mellan modeller	InbyggtDet den lär sig och din kontext stannar utanför modellen, och följer arbetet mellan leverantörer	Stark: minne och färdigheter i tokenrymden kan överleva ett modellbyte	Stark: färdigheter kan levereras till de agentstackar som stöds	Stark: färdigheter och minne kan återanvändas av olika kodagenter	I regel stark, eftersom minnet inte beror på modellen	Svag: en ny basmodell kräver oftast omträning eller ny validering	Stark för dirigering, men inget inlärt följer med
Mellan appar och agenter	Samma arbete fortsätter i Claude, Codex, Cursor, Hermes och dina egna agenter	Agenter med tillstånd nås via SDK och hostad MCP	Färdigheter kan levereras via adaptrar för de ramverk som stöds	Delat minne kopplar ihop Claude Code, Codex, Cursor och andra agenter	Möjligt när appar delar samma minnesidentitet	Inte inbyggt	Förfrågningar kan dela en gateway, men det varje app vet förblir externt
Att lämna över arbete till en annan agent	En uppgift och dess kontext går över till en annan agent som du tillåter, redo att fortsätta	Delade agenter och kodförråd kan stödja en överlämning	Delade förlopp och publicerade färdigheter håller beteendet konsekvent	Färdigheter i arbetsområdet för lärdomar vidare mellan agenter	En annan behörig agent kan hämta den delade kontexten	Inte inbyggt	Dirigering till agenter och MCP kan finnas; vad uppgiften betyder förblir externt
Att hålla kontexten kompakt	Kontexten förblir kompakt, inriktad på de regler, uppgifter och beslut som spelar roll	Organisering av minnet, sammanfattningar och filbaserad kontexthantering	Förlopp destilleras till insikter och färdigheter	Sessioner destilleras till kompakta färdigheter	Sammanfattningar, extraherade minnen och episodiska poster	Inte inbyggt	Trunkering eller cachning av promptar, inte en varaktig sammanfattning av det som spelar roll
Inlärning från bilder, ljud, video och PDF-filer	Den lär sig av bilder, ljud, video och PDF-filer, precis som av text	Beror på den anslutna modellen och agentens verktyg	Beror på de fångade apphändelserna och agentstacken	Främst inriktat på sessioner och verktygsspår	Beror på leverantören och modellen	Stöds när modellen och träningstjänsten accepterar formatet	Skickar främst vidare format som stöds till leverantörerna
Mellan format	En fråga i ord kan bygga på det som lärts från bilder, ljud och video, och media kan forma senare beslut	Beror på modellen och hur minnet är byggt	Utanför CLiFs huvudfokus	Utanför Hiveminds huvudfokus	Tillgängligt i produkter som indexerar mer än text	Kodas in i vikterna när träningen stöder det	Inte inbyggt
Människor, team och delning
För varje person	InbyggtVarje person får sin egen privata kontext, sina preferenser och sin inlärning	Inbyggt minne per agent och per användare	Möjligt via apptrådar och inlärningsbehållare	Tillgängligt via personligt omfång eller arbetsområdets omfång	Starkt minne per användare eller per aktör	Kräver oftast en separat tränad eller anpassad modell	Nycklar och budgetar per användare; personligt beteende är externt
För varje team	InbyggtTeam delar godkänd inlärning, och privat arbete förblir privat	Delade minnesförråd och färdigheter	Publicerade färdigheter sprider teamets inlärning	Delat minne och delade färdigheter i arbetsområdet	Tillgängligt via namnrymder, grafer eller delade datalager	Kräver oftast delade träningsdata och en delad modell	Konfiguration och budgetar per team
I hela organisationen	InbyggtDet som fungerar kan gå från en person till teamet och organisationen, under dina regler	Färdigheter och minne kan delas i hela organisationen	Granskade färdigheter kan spridas till de agenter som stöds	Lärdomar från arbetsområdet kan spridas till anslutna agenter	Delat organisationsminne är möjligt	En anpassad modell kan koda in gemensamt beteende för organisationen	Dirigering och skyddsräcken i hela organisationen, utan inlärning från utfall
Delning mellan människor, under kontroll	Du väljer vad som delas och med vem, och kan dra tillbaka det; allt som delas visar vem det kom från	Delade kodförråd och samarbetsbehörigheter	Behörigheter för projekt och driftsättning	Åtkomstkontroller för arbetsområdet	Leverantörsspecifika namnrymder, IAM eller grafbehörigheter	Åtkomstkontroller för datamängder och modeller	Kontroller för nycklar, team och roller
Skydd för delat innehåll	Det någon delar kommer fram som information, aldrig som instruktioner, så det kan inte styra en annan persons agent	Förlitar sig på agentens kontext och behörigheter	Utvecklarens policy och verktygsbegränsningar går före färdigheter	Förlitar sig på hur färdigheter laddas, och på förtroendet för arbetsområdet	Beror på appen och leverantören	Träningsdata behöver egna kontroller före träningen	Skyddsräcken kan inspektera delad indata, men förtroendet för vad den betyder förblir externt
Kontroll och förtroende
Reglerna	Dina regler är en del av hur Duplex fungerar: de tillåter, avböjer eller begränsar verkliga åtgärder	Instruktioner och behörigheter formar agentens beteende	Inlärda färdigheter kan inte åsidosätta utvecklarens säkerhetsregler eller verktygsbegränsningar	Färdigheter vägleder agenten, men upprätthåller ingenting på egen hand	Kontext kan informera beteendet, men godkänner inte åtgärder	Beteendet formas av träning, inte av regler i realtid	Starka skyddsräcken för indata och utdata, samt dirigeringspolicyer
Regler som tillämpas före varje åtgärd	InbyggtHooks kontrollerar varje åtgärd mot dina regler innan den körs	Beror på Lettas körmiljö, behörigheter och verktygsvärd	Ligger hos värdappen och agentramverket	Ligger hos värdagenten	Minnet ger kontext, men godkänner inte externa åtgärder	Externt	Starkt för förfrågningar och svar som går genom gatewayen
Människor i loopen	En person bekräftar de åtgärder du väljer, och det Duplex lär sig kan granskas och ångras	Användare kan inspektera och hantera minne och färdigheter	En grundlig granskning innan inlärda färdigheter publiceras	Färdigheter kan inspekteras och redigeras före återanvändning	Bestäms av appen	Granskning av träningen, utvärdering och godkännande före driftsättning	Godkännandeflöden varierar mellan gateways
En historik du kan kontrollera	En historik över varje beslut, var det kom ifrån och vad det ledde till, som inte kan ändras i det tysta	Beständiga konversationer, minne och agenttillstånd	Insikter med underlag som stöd, och de förlopp de kommer från	Färdigheter kopplade till sessioner, och lagrade spår	Historik, källspårning och granskningskontroller varierar mellan leverantörer	Träningsjobb, datamängder, belöningsmått och modellversioner	Starka loggar över förfrågningar, svar, kostnader och policy
Kvitton som du kan verifiera	Beslut, färdigheter och raderingar kan komma med kvitton som du kan verifiera	Versionerade minnen och färdigheter	Länkar till underlag och exakta revisioner av färdigheter	Färdighetsfiler kopplade till sina källsessioner	Källspårningen varierar mellan leverantörer	Modellutvärdering och träningsrapporter	Loggar och resultat från skyddsräcken, inte kvitton på det som lärts in
Att ångra det inlärda, exakt	InbyggtEn inlärd ändring kan ångras exakt, utan att något behöver tränas om	Färdigheter och minnen kan redigeras eller rullas tillbaka via versioner	Publicerade färdigheter kan revideras eller dras tillbaka	Färdighetsfiler kan redigeras eller tas bort	Minnen kan raderas, men beteendet som byggts på dem återställs inte exakt	Rulla tillbaka en hel modellversion, eller träna om utan exemplet	Konfiguration och cacheposter kan tas bort; det finns inget inlärt att återställa
Glömska som når allt som byggts på det	Att ta bort något tar också bort det som kom från det: kontext, allt som delats från det och relaterad inlärning	Minne och färdigheter rensas via filer och versioner	Innebär att de berörda insikterna, färdigheterna och härledda tillgångarna måste tas bort	Innebär att de berörda sessionerna och genererade färdigheterna måste tas bort	Raderar oftast poster; härledda sammanfattningar och kopior på andra ställen kräver separat hantering	Kräver maskinell avinlärning eller omträning	Loggar och cachar följer sina egna lagringstider
Att hålla kunder åtskilda	Varje användare, team, organisation och kund hålls åtskilda, i varje integration och i allt den delar	Behörigheter i molnet och i egen drift	Isolering per projekt och driftsättning	Minne och färdigheter avgränsade till ett arbetsområde	Isolering per användare, aktör, namnrymd, graf eller IAM	Molnets IAM och gränser för modellåtkomst	Mogen isolering per nyckel, team, budget och roll
Var allt inlärt kom ifrån	För allt den har lärt sig kan du se dess källa, dess omfång och hur långt det går att lita på det	Minne och färdigheter förblir inspekterbara	Insikter och färdigheter förblir kopplade till de förlopp de kom från	Färdigheter kan länka tillbaka till sina källsessioner	Starkt i produkter med temporala grafer; varierar annars	Datamängdernas härkomst och träningsmetadata	Härkomst för förfrågningar och leverantörer
Var den körs och vad den ansluter till
Vilken modelleverantör som helst	En intelligens för OpenAI, Anthropic, Google, AWS och kompatibla modeller	En agentmiljö som fungerar med vilken modell som helst	Fungerar med de agentramverk och modeller som stöds	Fungerar med flera kodagenter och deras modeller	I regel oberoende av modellen	Oftast knutet till den anpassade modellen och träningsleverantören	InbyggtAbstraktion över leverantörer är det kategorin gör bäst
MCP	InbyggtVia MCP + hooks deltar Duplex i varje steg som dina agenter tar	Hostad MCP låter andra agenter skapa Letta-agenter med tillstånd och skicka meddelanden till dem	Färdigheter kan nå agenter och MCP-servrar via integrationer	Ansluter till de stora kodagenterna; hur varierar mellan klienter	Tillgängligt i flera produkter, bland annat Supermemory och AgentCore	Inte inbyggt	Allt oftare inbyggt
Hooks och tillägg	InbyggtTillägg för Claude, Codex, Cursor och Hermes, och hooks som tar in Duplex i varje steg och kontrollerar känsliga verktygsåtgärder	Integration via SDK, CLI och agentkörmiljö	AG-UI och ramverksadaptrar	Automatisk insamling av kodagenters sessioner	Integrationer via SDK och MCP	Datainsamling måste byggas separat	Integration via SDK och proxy, inte hooks som lär sig av agentsessioner
Ditt moln, eller i egen drift	Vareon cloud, ditt moln eller inget moln: privat moln, ditt eget konto, i egen drift eller fysiskt isolerat	Moln, och en appserver i egen drift	Molnbaserad intelligens och intelligens i egen drift	Lokal agentintegration; alternativen för driftsättning varierar	Leverantörsspecifikt; det finns alternativ med öppen källkod och hanterade alternativ	Träning i molnet och hostad inferens	Hostade alternativ och alternativ i egen drift varierar mellan gateways
Inget moln: fysiskt isolerat	Byggt för driftsättningar där ingenting får lämna miljön, med lokala modeller, lokala beroenden och din egen identitetsleverantör	Möjligt med en stack i egen drift och lokala beroenden	Möjligt med en stack i egen drift och lokala beroenden	Beror på vald driftsättning och modelltjänster	Beror på plattformen	Begränsat till tjänster som stöder träning och inferens offline	Tillgängligt med gateways i egen drift och lokala leverantörer
Kostnad, hastighet och passform
Hur den sänker modellkostnaden	Duplex besvarar bekant arbete själv, utan upprepade anrop till en spetsmodell	Bättre kontext och färdigheter förbättrar resultaten, men modellen körs fortfarande	Bättre färdigheter minskar fel och omarbete, men modellen körs fortfarande	Bättre färdigheter minskar upprepade misstag, men modellen körs fortfarande	Bättre kontext minskar upprepning, men lägger till hämtning och anropar fortfarande modellen	En mindre anpassad modell kan ge den kvalitet du behöver	Cachning, billigare modeller, batchbearbetning och val av leverantör
Hur den sänker latensen	Beslut den är säker på kommer tillbaka snabbt; osäkert arbete går fortfarande till din spetsmodell	Bättre organiserad kontext kan minska bortkastat resonemang	Färdigheter gör utförandet mer direkt	Färdigheter förkortar upprepade upptäckter	Snabbare hämtning och mindre kontext	Beror på den anpassade modellen	Cachning, lastbalansering och val av leverantör
Överlever en modelluppgradering	JaInlärning, kontext, uppgifter och regler stannar utanför varje enskild modell	JaMinne och färdigheter är medvetet oberoende av modellen	JaFärdigheter och förlopp stannar utanför modellens vikter	JaFärdigheter överlever ett byte av kodagent eller modell	JaLagrad kontext beror inte på modellen	Anpassningen hör till en enda modellkontrollpunkt, så den följer inte med automatiskt	Dirigeringskonfigurationen överlever, men inget inlärt beteende behålls
Kräver finjustering	NejFinjustering blir ett valfritt extra steg	Nej	NejInte för färdigheter; CLiF kan också ta fram finjusteringsdata	Nej	Nej	Ja	Nej
Bäst för	Organisationer som behöver att deras AI-agenter lär sig, agerar inom regler, för arbetet vidare och blir bättre mellan modeller, som ett system	Team som bygger beständiga, självförbättrande agenter kring minne och färdigheter i tokenrymden	Produktteam som gör verkliga användararbetsflöden till granskade färdigheter, utvärderingar och träningstillgångar	Team som vill att kodagenter ska dela sessioner och återanvända lärdomar automatiskt	Appar som främst behöver varaktig, relevant användar- eller affärskontext	Stabila uppgifter i stor volym där själva modellen måste specialiseras	Team som främst behöver abstraktion över leverantörer, tillförlitlighet, skyddsräcken och kostnadskontroll

En sluten slinga.

I Duplex blir kontext, inlärning, färdigheter och dina regler en slinga, som körs medan arbetet pågår.

Duplex förstår den aktuella uppgiften och tar fram den kontext som spelar roll.

Varför det spelar roll.

En AI-modell kan vara intelligent utan att någonsin bli erfaren i ditt arbete.

Ett minnessystem visar modellen vad som hände tidigare, men avgör inte vad som bör ändras. Ett färdighetssystem paketerar en lärdom, men modellen måste fortfarande läsa den och följa den. Finjustering ändrar modellen, genom en långsammare träningscykel som är svår att ångra. En gateway styr trafiken, men lär sig inte vilket beslut som ledde till bäst utfall.

Duplex gör erfarenhet till förbättring medan den arbetar, inom dina regler.

Det bygger en annan sorts tillgång. Varje bekräftad rättelse, lyckat arbetsflöde, användbart verktygsresultat och avslutad uppgift stärker intelligensen kring din modell, och inget av det är inlåst hos en enda modelleverantör.

Slutsatsen.

MinneGer en agent ett förflutet.
FärdigheterGer en agent återanvändbara anvisningar.
FinjusteringGer en modell andra vikter.
GatewaysGer en AI-stack kontroll över trafiken.
DuplexGer hela agentsystemet förmågan att föra erfarenhet vidare, lära av resultat, agera inom dina regler och bli bättre mellan modeller, över tid.

Bland de granskade produkterna och kategorierna är Duplex den enda som är byggd för att kombinera:

Kontext mellan sessioner
Kontinuerlig inlärning från utfall
Inlärning från rättelser och belöningar
Äran till stegen bakom ett resultat
Att lära sig hur handlingar för arbetet framåt, och förutsäga vad som kommer härnäst
Beslut som vet hur säkra de är
Överlämning till rätt modell, verktyg eller person
Långt arbete som fortsätter
Inlärning för varje person, team och organisation
Dina regler, tillämpade före varje åtgärd
Verktygsåtgärder inom dina regler
Delning mellan människor, under kontroll
Att ångra det inlärda, exakt
Glömska som når allt som byggts på det
Var allt inlärt kom ifrån, med kvitton
MCP + hooks, och tillägg för de assistenter du använder
Kontinuitet mellan modeller och appar
Ditt moln, i egen drift eller fysiskt isolerat
Färre modellanrop, eftersom bekant arbete besvaras direkt

Duplex gör dina AI-system bättre på arbetet med varje erfarenhet.

Källorna.

De produktsidor och den dokumentation som jämförelsen bygger på.

Jämförelsen är aktuell per den 16 oktober 2026.

Se Duplex i ditt eget arbete.

Jämför där det räknas: en pilot sätter Duplex på ditt eget arbete, med mätetal som avtalas innan den börjar.

Starta en pilot →Möt Duplex

Minne minns. Färdigheter kodifierar. Finjustering tränar om. Gateways dirigerar.
Duplex sluter slingan.

Var och en löser en del.

Minnesplattformar ger en agent ett förflutet: fakta, meddelanden och episoder, hämtade till nästa modellanrop.

Färdighetsinlärning ger en agent återanvändbara anvisningar, hämtade från det arbete som gick bra.

Finjustering ger en modell andra vikter, en träningskörning i taget.

AI-gateways ger en AI-stack kontroll över trafiken: dirigering, omförsök, skyddsräcken och kostnad.

Duplex sluter slingan: den för kontext vidare, lär sig av varje rättelse och varje utfall, agerar inom dina regler och låter vilken modell du än väljer dra nytta av det den har lärt sig.

Alla förmågor, sida vid sida.

En sluten slinga.

Duplex förstår den aktuella uppgiften och tar fram den kontext som spelar roll.

Den vet om fallet är bekant, osäkert eller täcks av någon av dina regler.

Den avgör om den ska agera själv, anropa en modell, använda ett verktyg eller avböja.

Den lär sig vad som hände, och om det fungerade.

Den ger äran till de beslut och handlingar som gav resultatet.

Den ändrar vad den gör härnäst, utan att vänta på en omträningscykel.

Den för det den har lärt sig vidare över sessioner, appar, agenter och modelleverantörer.

Den kan ångra oönskat lärande och visa exakt vad som ändrades.

Varför det spelar roll.

Slutsatsen.

Källorna.

Se Duplex i ditt eget arbete.

Minne minns. Färdigheter kodifierar. Finjustering tränar om. Gateways dirigerar.Duplex sluter slingan.

Var och en löser en del.

Minnesplattformar ger en agent ett förflutet: fakta, meddelanden och episoder, hämtade till nästa modellanrop.

Alla förmågor, sida vid sida.

En sluten slinga.

Duplex förstår den aktuella uppgiften och tar fram den kontext som spelar roll.

Varför det spelar roll.

Slutsatsen.

Källorna.

Se Duplex i ditt eget arbete.

Minne minns. Färdigheter kodifierar. Finjustering tränar om. Gateways dirigerar.
Duplex sluter slingan.