Duplex och Letta,
sida vid sida.
Letta bygger agenter med tillstånd kring beständigt minne och inlärda färdigheter. Duplex är en andra intelligens bredvid din AI: den lär sig av varje resultat och agerar på det under körning, inom dina regler, vilken modell du än använder.
Jämförelsen är aktuell per den 16 oktober 2026.
Alla förmågor: Duplex och Letta.
Vad var och en gör, grupp för grupp, från vad den är till vad den kostar.
- 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.
| Förmåga | Duplex | Letta |
|---|---|---|
| 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 |
| Vad den för vidare | Kontext, beslut, utfall, regler, uppgifter, färdigheter och det den har lärt sig | Agentminne, konversationer, filer och färdigheter |
| 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 |
| 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 | ||
| Kontinuerlig inlärning utan omträning | InbyggtDen fortsätter att lära sig, utanför din modells vikter | InbyggtInlärning i tokenrymden och av färdigheter |
| Anpassning tur för tur | InbyggtVarje nytt resultat kan ändra nästa beslut direkt | Agentstyrt minne kan ändras kontinuerligt; färdighetsinlärning följer efter avslutad erfarenhet |
| Inlärning från rättelser | InbyggtEn rättelse ändrar vad Duplex gör härnäst | Rättelser kan uppdatera minnet eller mata inlärda färdigheter |
| Inlärning från utfall | InbyggtFramgång och misslyckande matas direkt tillbaka in i det den lär sig | Möjligt genom reflektion över förlopp och agentstyrda uppdateringar |
| 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 |
| 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 |
| Hur handlingar för arbetet framåt | InbyggtDen lär sig hur varje handling för arbetet från ett tillstånd till nästa | Agenten kan härleda detta från kontexten |
| 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 |
| Bättre val av handling | InbyggtUtfall förbättrar vilken handling den väljer härnäst | Beteendet förbättras genom minne och färdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Att själv besvara bekant arbete | InbyggtDen fattar bekanta beslut själv, utan ännu ett anrop till en spetsmodell | Modellen tolkar fortfarande minnet eller färdigheterna |
| 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 |
| Planering, simulering och rekommendationer | InbyggtDen förutsäger vad som händer härnäst, provar alternativ, bygger planer och rekommenderar handlingar | Främst genom modellens resonemang och agentens verktyg |
| 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 |
| 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 |
| Verktygsåtgärder inom dina regler | Verktyg körs bara genom dina regler och behörigheter | Agentbehörigheter och verktygskonfiguration |
| Strömning | Den strömmar utdata från modell och verktyg, med varje steg fortfarande inom dina regler | Tillgängligt via agent- och modellgränssnitt |
| 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 |
| Kontext mellan sessioner | InbyggtArbete, beslut, uppgifter och den kontext som spelar roll fortsätter mellan sessioner | InbyggtBeständiga agenter behåller minnet mellan konversationer |
| 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 |
| 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 |
| 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 |
| 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 |
| Att hålla kontexten kompakt | Kontexten förblir kompakt, inriktad på de regler, uppgifter och beslut som spelar roll | Organisering av minnet, sammanfattningar och filbaserad kontexthantering |
| 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 |
| 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 |
| 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 |
| För varje team | InbyggtTeam delar godkänd inlärning, och privat arbete förblir privat | Delade minnesförråd och färdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| Regler som tillämpas före varje åtgärd | InbyggtHooks kontrollerar varje åtgärd mot dina regler innan den körs | Beror på Lettas körmiljö, behörigheter och verktygsvärd |
| 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 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 |
| Kvitton som du kan verifiera | Beslut, färdigheter och raderingar kan komma med kvitton som du kan verifiera | Versionerade minnen och färdigheter |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| Överlever en modelluppgradering | JaInlärning, kontext, uppgifter och regler stannar utanför varje enskild modell | JaMinne och färdigheter är medvetet oberoende av modellen |
| Kräver finjustering | NejFinjustering blir ett valfritt extra steg | 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 |
De andra jämförelserna.
- Duplex och CopilotKit CLiFVerkliga arbetsflöden, omgjorda till färdigheter
- Duplex och Deeplake HivemindDelat minne för kodagenter
- Duplex och minnesplattformarMem0, Zep, AgentCore Memory, Supermemory
- Duplex och finjusteringFinjustering och förstärkningsbaserad finjustering
- Duplex och AI-gatewaysPortkey, LiteLLM och liknande
- Hela jämförelsenDuplex bredvid alla sex, sida vid sida
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.