En beständig, lärande körtidsmiljö för AI-agenter.
Duplex definierar en ny kategori.
Den är inte ännu en minnesdatabas för din modell. Duplex gör en tillfällig assistent, bunden till en enda modell, till ett system som lär sig av arbetet, behåller sin kontext, upprätthåller dina regler, blir bättre med dina verktyg, delar med sig av det den lär sig när det är tillåtet och flyttar mellan modelleverantörer utan att förlora det den har lärt sig.
Det saknade fjärde lagret.
Dagens AI delar upp intelligensen på tre lager. Modellen resonerar, hämtningen tar fram dokument och minnen, och applikationskoden sköter arbetsflödena, behörigheterna och verktygen. Ingen av dem lär sig av arbetet. Duplex lägger till det fjärde: inlärning från allt dina agenter gör, bevarad så länge du kör den.
Modellen resonerar kring uppgiften och glömmer den när uppgiften är klar.
Det som hämtning aldrig byggdes för att rymma.
Hämtning tar fram dokument och minnen som verkar relevanta. Duplex behåller det som arbetet har lärt ut, och agerar på det:
- 01Vad som lyckades, och vad som misslyckades
- 02Vilka åtgärder som ledde till vilka resultat
- 03Vilket verktyg som fungerar i vilken situation
- 04Vilka arbetssätt som förbättrade resultaten
- 05De preferenser och regler som fortfarande gäller
- 06Vad varje åtgärd förändrar
- 07De färdigheter som upprepat arbete har lärt den
- 08Vad som måste glömmas, ångras eller dras tillbaka
- 09När den kan svara själv, och när den ska fråga din modell
Din AI är modellen, plus det Duplex har lärt sig.
Modellen kan bytas. Det Duplex har lärt sig består.
Din AI
Det dina medarbetare och agenter arbetar med
Grundmodellen
Kan bytas: en ny version, en ny leverantör
Det Duplex har lärt sig
Består: ditt, och växer fortfarande
Den åtskillnaden förändrar vad en organisation äger. Det den har lärt sig behöver inte längre finnas i en enda leverantörs vikter, en enda chattlogg eller en enda apps egna minnesformat.
En ny modell kommer. På egen hand börjar den från noll; med Duplex behåller den allt som har lärts in hittills.
För företag: AI som förräntar sig.
Duplex förändrar ekonomin kring AI i arbetet. Varje bekräftat resultat kan göra nästa uppgift bättre, och det som byggs upp är ditt att behålla.
Värde som förräntar sig.
De flesta AI-system i drift börjar nästan från noll vid varje uppgift. Promptar, hämtning och fasta arbetsflöden ger kontext, men systemet blir inte bättre av varje bekräftat resultat. Med Duplex kan varje avslutad uppgift lämna något efter sig:
- Ett bättre val av verktyg
- En lärdom om vad en åtgärd förändrar
- En återanvändbar färdighet
- Ett korrigerat beslut
- En regel att hålla fast vid
- Ett genomarbetat exempel
- En tydlig signal om vad som fungerade
- En snabbare väg tillbaka in i arbetet
- En ny förmåga, testad innan den används
Så blir systemet mer användbart ju mer din organisation använder det.
Intelligens som följer med dig.
Claude, Codex, Cursor och Hermes kan alla använda samma Duplex, och det kan även dina egna agenter, via MCP + hooks. Byt modell, agentklient, modelleverantör eller verktygsleverantör, så behåller du processerna, reglerna, historiken och färdigheterna som din organisation har lärt sig.
Leverantörsinlåsningen försvinner, och det din organisation lär sig blir en tillgång som består.
Person, team och företag, lager på lager.
Duplex behåller det den lär sig på varje nivå som spelar roll:
- En person
- Ett team
- Organisationen
- En uppgift
- Ett arbetsområde
- En agent
- En delad tråd
En person behåller sina preferenser och arbetssätt. Ett team bygger upp gemensam praxis och verktygskunskap. Organisationen sätter reglerna som alla arbetar inom, medan människor och team fortsätter att lära sig under dem. Det är värt långt mer än ett enda globalt minne.
Regler för vad agenter gör, inte bara för vad de uppmanas till.
Reglerna i Duplex styr vad en agent faktiskt kör, inte bara vad en prompt ber modellen om. Via MCP + hooks deltar Duplex före varje förfrågan, före varje verktygsanrop och efter varje resultat, och varje gång kunskap delas eller glöms.
Företag behöver kontroll över beteendet, inte bättre formuleringar.
Finjustering, för långt färre saker.
Finjustering spelar fortfarande roll när en modell behöver en ny generell förmåga eller ett nytt beteende. Men många affärsbehov kräver inte att vikterna ändras alls:
- ”Kom ihåg vår releaserutin.”
- ”Lär dig vilket diagnosverktyg som löser det här felet.”
- ”Sluta rekommendera det som gång på gång misslyckas.”
- ”Behåll den här kundens begränsning.”
- ”Fortsätt med uppgiften när vi har bytt modell.”
- ”Dela den här beprövade processen med teamet.”
- ”Dra tillbaka det som inte längre stämmer.”
Duplex hanterar dessa utanför modellen: snabbare, reversibelt, spårbart till källan och oftast billigare än att finjustera om och om igen.
En ny vallgrav.
Den värdefulla tillgången är inte längre bara modellen. Den bestående fördelen blir detta:
Din organisations kontinuerligt uppbyggda, styrda och flyttbara operativa intelligens.
Två företag kan använda samma modell och få väldigt olika resultat, eftersom det ena har år av bekräftade lärdomar, färdigheter, regler, korrigeringar, utfall och uppgiftshistorik i Duplex.
För forskningen: kontinuerlig inlärning, som ett system.
Duplex behandlar kontinuerlig inlärning som ett systemproblem, inte bara som en fråga om hur ett nätverks vikter ska uppdateras.
Inlärning som låter vikterna vara.
Mycket forskning om kontinuerlig inlärning uppdaterar ett nätverks vikter och försöker samtidigt undvika katastrofal glömska. Duplex går en annan väg och anpassar sig utanför modellens vikter. Det är ändå äkta kontinuerlig inlärning: det den gör härnäst förändras med det den har erfarit. Och den erbjuder det som viktuppdateringar har svårt att ge:
- Exakt attribuering
- Inlärning som kan ångras
- Isolering mellan kunder
- Selektiv glömska
- Ett fullständigt revisionsspår
- Anpassning på stående fot
- Långt mindre beräkningskraft
- Inga driftstopp för omträning
Många sätt att lära sig, körda som ett.
Duplex för samman flera slags inlärning: att anpassa sig snabbt, känna igen det som är nytt, veta hur säker den är, förutsäga vad en åtgärd kommer att förändra, planera, lära sig av utfall och göra underlag till färdigheter som den testar innan de används.
Forskningsvärdet ligger inte i någon enskild algoritm. Det ligger i att köra dem som ett enda beständigt, styrt inlärningssystem bakom verkliga agenter.
Avinlärning som når allt.
Att glömma är mer än att radera en post. När underlaget bakom något tas bort kan allt som Duplex har lärt sig av det dras tillbaka tillsammans med det. Det spelar roll för integritet, korrigering, säkerhet, reglering och vetenskaplig validitet.
Ett system som lär sig men inte kan avlära exakt är ofullständigt för allt som är tänkt att köras i åratal.
Långt arbete, utan hela utskriften.
Duplex för vidare det som en lång uppgift behöver: dess mål, dess beslut, dess begränsningar och det arbete som återstår.
Kontinuitet behöver inte innebära att modellen matas med hela historiken igen, och det spelar roll för agenter som arbetar i timmar eller dagar.
Inlärning från mer än ord.
Duplex lär sig av bilder, ljud, video och dokument såväl som av text, under samma styrning av vad som får läras in. Skärmbilder, designutkast, inspelade samtal, dokument och verktygsresultat kan alla lära den något.
Poängen är inte att hitta medier. Det handlar om att koppla det underlaget till utfall, uppgifter, färdigheter och glömska.
För fältet: var intelligensen finns.
Dess största konsekvens: intelligensen behöver inte längre finnas helt och hållet i grundmodellen.
En ny enhet av intelligens.
Den vanliga synen, och den som Duplex gör möjlig:
Modellen är den intelligenta produkten.
Den intelligenta produkten är modellen, plus en körtidsmiljö som fortsätter att lära sig.
Förbättringar kan då byggas upp mellan modellanrop, mellan sessioner och till och med mellan modelleverantörer.
Modeller blir lättare att byta.
När minne, personalisering, regler, inlärd verktygsanvändning, kontinuitet i uppgifter och en organisations egna färdigheter finns i Duplex blir den underliggande modellen lättare att byta ut. Modeller konkurrerar fortfarande med resonemang, hastighet, modalitet och pris.
Men det en kund har byggt upp försvinner inte längre när modellen byts, och makten förskjuts mot den som innehar det som lärts in.
Agenter som förblir sig själva.
En agent som är ansluten till Duplex fortsätter som samma agent när:
- En konversation tar slut
- Kontextfönstret blir fullt
- Klienten startas om
- En uppgift återupptas dagar senare
- Modellen byts ut
- Arbetet flyttar från Claude Code till Codex
- En annan behörig person ansluter
Det ligger närmare en beständig digital medarbetare än en rad orelaterade chattar.
En tydlig gräns mellan modell och system.
ACI är intelligensen som anpassar sig. Duplex är produkten kring den: besluten, styrningen, vägarna in och livscykeln för allt den lär sig. Agenter arbetar med några få enkla, stabila operationer, modellen behöver aldrig veta vad som körs under dem, och hooks knyter varje beslut till en verklig åtgärd.
Den gränsen är det som gör en motor till infrastruktur som vilken agent som helst kan använda.
Ett annat sätt att skala upp.
Fältet utgår ofta från att mer kapabel AI främst kräver större modeller, mer träningsdata, längre kontextfönster eller mer beräkningskraft vid inferens. Duplex lägger till en annan dimension:
En kapabel modell som hela tiden samlar på sig bekräftad erfarenhet utanför sina vikter.
Det kan åstadkomma mer, för mindre, än att göra modellen eller dess prompt större om och om igen.
Vad Duplex håller på att bli.
Duplex får AI-agenter att minnas, lära sig, bli bättre, följa regler och fortsätta, över sessioner och modeller.
Den är inte bara:
- En vektordatabas
- Ett minnestillägg
- En prompthanterare
- En MCP-server
- En arbetsflödesmotor
- En policygateway
- Ett finjusteringssystem
Den kombinerar delar av dem alla till en enda körtidsmiljö som lär sig.
Duplex bredvid minne, färdigheter, finjustering och AI-gateways →Kort sagt.
För företag
AI som blir bättre med användning och behåller det den har lärt sig över agenter och modelleverantörer.
För forskningen
Kontinuerlig anpassning, osäkerhet, minne, planering, reversibel inlärning och underlag från alla medier, i ett enda system som arbetar bakom verkliga agenter.
För fältet
Intelligensen behöver inte längre finnas helt och hållet i modellen. Det som lärs in kan bli ett separat lager: styrt, flyttbart och ditt.
Infrastruktur, inte en funktion.
Den största möjligheten är att få kontinuerlig inlärning att fungera i praktiken: omedelbar, beständig, reversibel, styrd och tillgänglig för de agenter du redan använder via MCP + hooks, och din modell lämnas som den är. Duplex är utformad för att vara det lager där människor och organisationer bygger upp sin AI-intelligens, medan modellerna under det blir utbytbara resonemangsmotorer.
Äg intelligensen som överlever varje modell.
En pilot sätter Duplex på ditt eget arbete, och vad som räknas som framgång avtalas innan den börjar.