Duplex und Letta,
nebeneinander.
Letta baut zustandsbehaftete Agenten rund um persistentes Gedächtnis und gelernte Skills. Duplex verbindet deine KI mit einer zweiten Intelligenz, einem ACI-Modell: Zusammen lernen sie aus jedem Ergebnis, planen, simulieren, entscheiden und handeln danach zur Laufzeit, im Rahmen deiner Regeln, welches Modell du auch nutzt.
Vergleich auf dem Stand vom 16. Oktober 2026.
Alle Fähigkeiten: Duplex und Letta.
Was jedes tut, Gruppe für Gruppe, von dem, was es ist, bis zu dem, was es kostet.
- Nativ
- Fest in die grundlegende Funktionsweise des Produkts eingebaut.
- Extern
- Du stellst es separat bereit oder baust es selbst zusammen.
- Nicht nativ
- Die Dokumentation des Produkts führt es nicht als eingebaute Funktion. Eine eigene Lösung kann trotzdem möglich sein.
| Fähigkeit | Duplex | Letta |
|---|---|---|
| Was sie jeweils sind | ||
| Was es ist | Deine KI und ein ACI-Modell, die als Einheit arbeiten: Laufzeit-Intelligenz, die für deine Agenten und Assistenten lernt, plant, simuliert, entscheidet und handelt, im Rahmen deiner Regeln | Eine zustandsbehaftete Agentenplattform, aufgebaut um persistentes Gedächtnis und Lernen im Token-Raum |
| Was es weiterträgt | Kontext, Entscheidungen, Ergebnisse, Regeln, Aufgaben, Skills und das, was es gelernt hat | Agentengedächtnis, Gespräche, Dateien und Skills |
| Was mit Erfahrung besser wird | Seine nächsten Entscheidungen: Konfidenz, Routing, Empfehlungen, Werkzeugnutzung und wiederverwendbares Wissen | Das künftige Verhalten des Agenten, durch aktualisiertes Gedächtnis und gelernte Skills |
| Wissen, was geschah, und daraus lernen | NativEs weiß, was geschah, und lernt, was als Nächstes zu ändern ist | Beides ist vorhanden, vor allem über Gedächtnis im Token-Raum und Skills |
| Lernen | ||
| Kontinuierliches Lernen ohne Neutraining | NativEs lernt weiter, außerhalb der Gewichte deines Modells | NativLernen im Token-Raum und Skill-Lernen |
| Anpassung von Runde zu Runde | NativJedes neue Ergebnis kann die nächste Entscheidung sofort ändern | Vom Agenten verwaltetes Gedächtnis kann sich laufend ändern; Skill-Lernen folgt auf abgeschlossene Erfahrung |
| Lernen aus Korrekturen | NativEine Korrektur ändert, was Duplex als Nächstes tut | Korrekturen können das Gedächtnis aktualisieren oder in gelernte Skills einfließen |
| Lernen aus Ergebnissen | NativErfolg und Misserfolg fließen direkt in das ein, was es lernt | Möglich durch Reflexion über Trajektorien und vom Agenten verwaltete Updates |
| Lernen aus Belohnungen | NativEine Belohnung stärkt, was funktioniert hat, und korrigiert, was nicht funktioniert hat | Belohnungen sind nicht seine wichtigste Art zu lernen |
| Verdienst für die Schritte hinter einem Ergebnis | NativEs ermittelt, welche früheren Aktionen zu einem späteren Ergebnis geführt haben | Letta bietet das zur Laufzeit nicht nativ an |
| Wie Aktionen die Arbeit voranbringen | NativEs lernt, wie jede Aktion die Arbeit von einem Zustand in den nächsten bringt | Der Agent kann das aus dem Kontext ableiten |
| Vorhersagen, was eine Aktion bewirkt | NativAus dem, was es beobachtet, sagt es voraus, was eine Aktion bewirkt, probiert Alternativen und plant | Das Modell zieht Schlüsse aus dem Gedächtnis |
| Bessere Wahl der Aktionen | NativErgebnisse verbessern, welche Aktion es als Nächstes wählt | Das Verhalten verbessert sich durch Gedächtnis und Skills |
| Wiederverwendbare Fertigkeiten | NativErfahrung wird zu Skills, die vor dem Einsatz getestet werden und sich pausieren, zurückholen oder zurückziehen lassen | NativTrajektorien können zu dauerhaften Skills werden, die mit jedem Modell funktionieren |
| Skills testen und verwalten | Ein Skill wird getestet, bevor man sich auf ihn verlässt, und lässt sich pausieren, zurückholen, zurückziehen oder endgültig entfernen | Skills sind Dateien, die du einsehen, verwalten und versionieren kannst |
| Verallgemeinern auf verwandte Fälle | Es überträgt, was es gelernt hat, auf verwandte Fälle und neue Formulierungen und in Skills, die es wiederverwenden kann | Skills im Token-Raum verallgemeinern Abläufe über Aufgaben hinweg |
| Planen, Simulieren, Entscheiden und Handeln | ||
| Wissen, wie sicher es ist | NativVor jeder Entscheidung weiß es, wie bekannt der Fall ist und wie sicher es ist | Vor allem das Urteil des Modells und wie relevant das Gedächtnis ist |
| Antworten, übergeben oder ablehnen | NativDuplex antwortet selbst, ruft dein Modell auf, nutzt ein Werkzeug oder lehnt ab, im Rahmen deiner Regeln | Der Agent macht meist über das Reasoning des Modells weiter |
| Bekannte Arbeit selbst beantworten | NativEs trifft bekannte Entscheidungen selbst, ohne weiteren Aufruf eines Spitzenmodells | Das Modell interpretiert weiterhin Gedächtnis oder Skills |
| Übergeben, was neu oder unsicher ist | Neue, unsichere oder sensible Arbeit geht an das richtige Modell, das richtige Werkzeug oder die richtige Person | Agent und Modell entscheiden, wann mehr Hilfe nötig ist |
| Planung, Simulation und Empfehlungen | NativEs sagt voraus, was als Nächstes passiert, probiert Alternativen, erstellt Pläne und empfiehlt Aktionen | Vor allem über das Reasoning des Modells und Agenten-Werkzeuge |
| Viele Agenten, die zusammenarbeiten | Es schickt Arbeit an den richtigen Agenten, teilt sie im Rahmen deiner Regeln auf, hält jeden Agenten in seinem Bereich und führt die Ergebnisse zusammen | Agenten, Subagenten und gemeinsames Gedächtnis sind verfügbar |
| Lernen, welche Werkzeuge funktionieren | Es lernt, welche Werkzeuge funktionieren, wann es sie einsetzt und wozu jedes führt | Skills und Gedächtnis können die Werkzeugnutzung verbessern |
| Werkzeugaktionen im Rahmen deiner Regeln | Werkzeuge laufen nur über deine Regeln und Rechte | Agentenrechte und Werkzeugkonfiguration |
| Streaming | Es streamt Modell- und Werkzeugausgaben, und jeder Schritt bleibt im Rahmen deiner Regeln | Verfügbar über Agenten- und Modellschnittstellen |
| Arbeit, die weitergeht | ||
| Lernen aus jedem Schritt, automatisch | Jeder Schritt, über MCP + Hooks oder die Plugins, speist einen gemeinsamen Lernkreislauf | Die Letta-Runtime speichert Gespräche und Aktionen von Agenten |
| Kontext über Sitzungen hinweg | NativArbeit, Entscheidungen, Aufgaben und der wichtige Kontext gehen über Sitzungen hinweg weiter | NativPersistente Agenten behalten ihr Gedächtnis über Gespräche hinweg |
| Lang laufende Arbeit | NativLange Arbeit bleibt über Sitzungen und Agenten hinweg offen, mit Sicherungspunkten zum Zurückkehren, bis sie erledigt oder vergessen ist | Persistente Agenten können Arbeit fortführen, ihren Lebenszyklus bestimmen Agent und App |
| Über Modelle hinweg | NativWas es lernt, und dein Kontext bleiben außerhalb des Modells und folgen der Arbeit über Anbieter hinweg | Stark: Gedächtnis im Token-Raum und Skills können einen Modellwechsel überstehen |
| Über Apps und Agenten hinweg | Dieselbe Arbeit geht über Claude, Codex, Cursor, Hermes und deine eigenen Agenten hinweg weiter | Zustandsbehaftete Agenten sind über SDKs und gehostetes MCP erreichbar |
| Arbeit an einen anderen Agenten übergeben | Eine Aufgabe und ihr Kontext gehen an einen anderen Agenten, den du zulässt, bereit zum Weitermachen | Gemeinsame Agenten und Repositorys können eine Übergabe unterstützen |
| Kontext kompakt halten | Der Kontext bleibt kompakt, konzentriert auf die Regeln, Aufgaben und Entscheidungen, auf die es ankommt | Organisation des Gedächtnisses, Zusammenfassungen und Kontextverwaltung wie in Dateien |
| Lernen aus Bildern, Audio, Video und PDFs | Es lernt aus Bildern, Audio, Video und PDFs, so wie aus Text | Hängt vom angebundenen Modell und den Agenten-Werkzeugen ab |
| Über Medien hinweg | Eine Frage in Worten kann auf das zurückgreifen, was aus Bildern, Audio und Video gelernt wurde, und Medien können spätere Entscheidungen prägen | Hängt vom Modell ab und davon, wie das Gedächtnis gebaut ist |
| Personen, Teams und Teilen | ||
| Für jede Person | NativJede Person bekommt ihren eigenen privaten Kontext, ihre Vorlieben und ihr Lernen | Natives Gedächtnis pro Agent und pro Nutzer |
| Für jedes Team | NativTeams teilen freigegebenes Lernen, und private Arbeit bleibt privat | Gemeinsame Gedächtnis-Repositorys und Skills |
| In der ganzen Organisation | NativWas funktioniert, kann von einer Person ins Team und in die Organisation wandern, nach deinen Regeln | Skills und Gedächtnis lassen sich in der ganzen Organisation teilen |
| Teilen zwischen Personen, unter Kontrolle | Du wählst, was geteilt wird und mit wem, und kannst es widerrufen; alles Geteilte zeigt, von wem es stammt | Gemeinsame Repositorys und Rechte für die Zusammenarbeit |
| Schutz für geteilte Inhalte | Was jemand teilt, kommt als Information an, nie als Anweisung, und kann so den Agenten einer anderen Person nicht steuern | Stützt sich auf Agentenkontext und Rechte |
| Kontrolle und Vertrauen | ||
| Regeln | Deine Regeln sind Teil davon, wie Duplex arbeitet: Sie erlauben, verweigern oder begrenzen echte Aktionen | Anweisungen und Rechte prägen das Verhalten von Agenten |
| Regeln vor jeder Aktion angewendet | NativDie Hooks prüfen jede Aktion gegen deine Regeln, bevor sie läuft | Hängt von der Letta-Runtime, den Rechten und dem Werkzeug-Host ab |
| Menschen eingebunden | Eine Person bestätigt die Aktionen, die du festlegst, und was Duplex lernt, lässt sich prüfen und rückgängig machen | Nutzer können Gedächtnis und Skills einsehen und verwalten |
| Ein Verlauf, den du prüfen kannst | Ein Verlauf jeder Entscheidung, woher sie kam und was aus ihr wurde, der sich nicht stillschweigend ändern lässt | Persistente Gespräche, Gedächtnis und Agentenzustand |
| Quittungen, die du prüfen kannst | Entscheidungen, Skills und Löschungen können mit Quittungen kommen, die du prüfen kannst | Versionierte Erinnerungen und Skills |
| Gelerntes exakt rückgängig machen | NativEine gelernte Änderung lässt sich exakt rückgängig machen, ohne irgendetwas neu zu trainieren | Skills und Erinnerungen lassen sich bearbeiten oder über Versionen zurücksetzen |
| Vergessen, das alles erreicht, was darauf aufbaut | Wird etwas entfernt, verschwindet auch, was daraus kam: Kontext, alles daraus Geteilte und verwandtes Lernen | Gedächtnis und Skills werden über Dateien und Versionen bereinigt |
| Kunden getrennt halten | Jeder Nutzer, jedes Team, jede Organisation und jeder Kunde bleibt getrennt, in jeder Integration und in allem, was es teilt | Rechte in der Cloud und bei selbst gehostetem Betrieb |
| Woher alles Gelernte stammt | Bei allem, was es gelernt hat, siehst du die Quelle, den Geltungsbereich und wie weit man ihm trauen kann | Gedächtnis und Skills bleiben einsehbar |
| Wo es läuft und sich verbindet | ||
| Jeder Modellanbieter | Eine Intelligenz über OpenAI, Anthropic, Google, AWS und kompatible Modelle hinweg | Ein Agenten-Harness, das mit jedem Modell funktioniert |
| MCP | NativÜber MCP + Hooks begleitet Duplex jeden Schritt deiner Agenten | Über gehostetes MCP können andere Agenten zustandsbehaftete Letta-Agenten erstellen und ihnen Nachrichten senden |
| Hooks und Plugins | NativPlugins für Claude, Codex, Cursor und Hermes sowie Hooks, die Duplex bei jedem Schritt einbinden und sensible Werkzeugaktionen prüfen | SDK, CLI und Integration in die Agenten-Runtime |
| Deine Cloud oder selbst gehostet | Vareon Cloud oder dein eigenes Cloud-Konto: selbst gehostet oder von Vareon für dich betrieben | Cloud und ein selbst gehosteter App-Server |
| Kosten, Tempo und Passung | ||
| Wie es Modellkosten senkt | Duplex beantwortet bekannte Arbeit selbst, ohne wiederholten Aufruf eines Spitzenmodells | Besserer Kontext und bessere Skills verbessern Ergebnisse, aber das Modell läuft weiterhin |
| Wie es die Latenz senkt | Entscheidungen, bei denen es sicher ist, kommen schnell zurück; unsichere Arbeit geht weiterhin an dein Spitzenmodell | Besser organisierter Kontext kann unnötiges Reasoning sparen |
| Übersteht ein Modell-Upgrade | JaLernen, Kontext, Aufgaben und Regeln bleiben außerhalb jedes einzelnen Modells | JaGedächtnis und Skills sind bewusst unabhängig vom Modell |
| Fine-Tuning nötig | NeinFine-Tuning wird zu einem optionalen Upgrade | Nein |
| Am besten für | Organisationen, deren KI-Agenten lernen, im Rahmen von Regeln planen, simulieren, entscheiden und handeln, Arbeit weitertragen und über Modelle hinweg besser werden müssen, als ein System | Teams, die persistente, sich selbst verbessernde Agenten rund um Gedächtnis im Token-Raum und Skills bauen |
Die anderen Vergleiche.
- Duplex und CopilotKit CLiFEchte Workflows, zu Skills gemacht
- Duplex und Deeplake HivemindGemeinsames Gedächtnis für Coding-Agenten
- Duplex und GedächtnisplattformenMem0, Zep, AgentCore Memory, Supermemory
- Duplex und Fine-TuningFine-Tuning und Reinforcement Fine-Tuning
- Duplex und KI-GatewaysPortkey, LiteLLM und ähnliche
- Der ganze VergleichDuplex neben allen sechs, nebeneinander
Erlebe Duplex mit deiner eigenen Arbeit.
Vergleiche dort, wo es zählt: Ein Pilotprojekt setzt Duplex auf deine eigene Arbeit an, mit Kennzahlen, die vor dem Start vereinbart werden.