Duplex en Letta,
naast elkaar.
Letta bouwt stateful agents rond persistent geheugen en geleerde skills. Duplex koppelt je AI aan een tweede intelligentie, een ACI-model: samen leren ze van elk resultaat, plannen, simuleren, beslissen en handelen ze ernaar tijdens runtime, binnen jouw regels, welk model je ook gebruikt.
Vergelijking actueel per 16 oktober 2026.
Alle mogelijkheden: Duplex en Letta.
Wat elk doet, groep voor groep, van wat het is tot wat het kost.
- Native
- Ingebouwd in hoe het product in de kern werkt.
- Extern
- Je levert het apart aan, of stelt het apart samen.
- Niet native
- De documentatie van het product vermeldt het niet als ingebouwde functie. Zelf bouwen is misschien nog wel mogelijk.
| Mogelijkheid | Duplex | Letta |
|---|---|---|
| Wat ze elk zijn | ||
| Wat het is | Je AI en een ACI-model die als één werken: runtime-intelligentie die leert, plant, simuleert, beslist en handelt voor je agents en assistenten, binnen jouw regels | Een stateful agentplatform, gebouwd rond persistent geheugen en leren in token-ruimte |
| Wat het meeneemt | Context, beslissingen, uitkomsten, regels, taken, skills en wat het heeft geleerd | Agentgeheugen, gesprekken, bestanden en skills |
| Wat beter wordt met ervaring | Zijn volgende beslissingen: zekerheid, routering, aanbevelingen, toolgebruik en herbruikbare kennis | Het toekomstige gedrag van de agent, via bijgewerkt geheugen en geleerde skills |
| Weten wat er gebeurde, en ervan leren | NativeHet weet wat er gebeurde, en leert wat het hierna moet veranderen | Beide zijn er, vooral via geheugen en skills in token-ruimte |
| Leren | ||
| Continu leren zonder hertraining | NativeHet blijft leren, buiten de gewichten van je model | NativeLeren in token-ruimte en skill-leren |
| Aanpassing van beurt tot beurt | NativeElk nieuw resultaat kan de volgende beslissing meteen veranderen | Door de agent beheerd geheugen kan continu veranderen; skill-leren volgt op afgeronde ervaring |
| Leren van correcties | NativeEen correctie verandert wat Duplex hierna doet | Correcties kunnen geheugen bijwerken of geleerde skills voeden |
| Leren van uitkomsten | NativeSucces en mislukking gaan direct terug in wat het leert | Mogelijk via reflectie op trajecten en updates die de agent zelf beheert |
| Leren van beloningen | NativeEen beloning versterkt wat werkte en corrigeert wat niet werkte | Beloningen zijn niet de voornaamste manier waarop het leert |
| Eer voor de stappen achter een resultaat | NativeHet achterhaalt welke eerdere acties tot een later resultaat leidden | Letta biedt dit tijdens runtime niet native aan |
| Hoe acties het werk vooruithelpen | NativeHet leert hoe elke actie het werk van de ene toestand naar de volgende brengt | De agent kan dit afleiden uit context |
| Voorspellen wat een actie zal doen | NativeUit wat het waarneemt, voorspelt het wat een actie zal doen, probeert het alternatieven en plant het | Het model redeneert over geheugen |
| Betere keuze van acties | NativeUitkomsten verbeteren welke actie het hierna kiest | Gedrag verbetert via geheugen en skills |
| Herbruikbare vaardigheden | NativeUit ervaring ontstaan skills die vóór gebruik getest zijn, en die je kunt pauzeren, terughalen of intrekken | NativeTrajecten kunnen blijvende skills worden die met elk model werken |
| Skills testen en beheren | Een skill wordt getest voordat erop wordt vertrouwd, en kan worden gepauzeerd, teruggehaald, ingetrokken of definitief verwijderd | Skills zijn bestanden die je kunt inzien, beheren en versioneren |
| Generaliseren naar verwante gevallen | Het neemt wat het leerde mee naar verwante gevallen en nieuwe bewoordingen, en naar skills die het kan hergebruiken | Skills in token-ruimte generaliseren procedures over taken heen |
| Plannen, simuleren, beslissen en handelen | ||
| Weten hoe zeker het is | NativeVóór elke beslissing weet het hoe bekend het geval is en hoe zeker het is | Vooral het oordeel van het model en hoe relevant het geheugen is |
| Antwoorden, overdragen of weigeren | NativeDuplex antwoordt zelf, roept je model aan, gebruikt een tool of weigert, binnen jouw regels | De agent gaat meestal verder via het redeneren van het model |
| Bekend werk zelf beantwoorden | NativeHet neemt bekende beslissingen zelf, zonder nog een aanroep van een frontiermodel | Het model interpreteert nog steeds geheugen of skills |
| Overdragen wat nieuw of onzeker is | Nieuw, onzeker of gevoelig werk gaat naar het juiste model, de juiste tool of de juiste persoon | De agent en het model beslissen wanneer er meer hulp nodig is |
| Plannen, simulatie en aanbevelingen | NativeHet voorspelt wat er hierna gebeurt, probeert alternatieven, maakt plannen en beveelt acties aan | Vooral via het redeneren van het model en tools van de agent |
| Veel agents die samenwerken | Het stuurt werk naar de juiste agent, verdeelt het binnen jouw regels, houdt elke agent binnen zijn bereik en brengt de resultaten samen | Agents, subagents en gedeeld geheugen zijn beschikbaar |
| Leren welke tools werken | Het leert welke tools werken, wanneer het ze moet inzetten en waar elke tool toe leidt | Skills en geheugen kunnen toolgebruik verbeteren |
| Toolacties binnen jouw regels | Tools draaien alleen via jouw regels en rechten | Agentrechten en toolconfiguratie |
| Streaming | Het streamt uitvoer van model en tools, met elke stap nog steeds binnen jouw regels | Beschikbaar via agent- en modelinterfaces |
| Werk dat doorloopt | ||
| Leren van elke stap, automatisch | Elke stap, via MCP + hooks of de plugins, voedt één gedeelde leerlus | De Letta-runtime slaat gesprekken en acties van agents op |
| Context over sessies heen | NativeWerk, beslissingen, taken en de context die ertoe doet, lopen door over sessies heen | NativePersistente agents behouden hun geheugen over gesprekken heen |
| Langlopend werk | NativeLangdurig werk blijft open over sessies en agents heen, met veilige punten om naar terug te keren, tot het af is of vergeten wordt | Persistente agents kunnen werk voortzetten, met een levenscyclus die de agent en de app bepalen |
| Over modellen heen | NativeWat het leert en je context blijven buiten het model, en volgen het werk over aanbieders heen | Sterk: geheugen en skills in token-ruimte kunnen een modelwissel overleven |
| Over apps en agents heen | Hetzelfde werk loopt door in Claude, Codex, Cursor, Hermes en je eigen agents | Stateful agents zijn bereikbaar via SDK’s en gehoste MCP |
| Werk overdragen aan een andere agent | Een taak en de context gaan over naar een andere agent die je toestaat, klaar om verder te gaan | Gedeelde agents en repository’s kunnen een overdracht ondersteunen |
| Context compact houden | Context blijft compact, gericht op de regels, taken en beslissingen die ertoe doen | Geheugenorganisatie, samenvattingen en contextbeheer in bestandsvorm |
| Leren van afbeeldingen, audio, video en PDF’s | Het leert van afbeeldingen, audio, video en PDF’s, zoals het van tekst leert | Hangt af van het gekoppelde model en de tools van de agent |
| Over media heen | Een vraag in woorden kan putten uit wat is geleerd van afbeeldingen, audio en video, en media kunnen latere beslissingen vormen | Hangt af van het model en hoe het geheugen is gebouwd |
| Mensen, teams en delen | ||
| Voor elke persoon | NativeElke persoon krijgt een eigen privécontext, eigen voorkeuren en een eigen leerproces | Native geheugen per agent en per gebruiker |
| Voor elk team | NativeTeams delen goedgekeurd leren, en privéwerk blijft privé | Gedeelde geheugenrepository’s en skills |
| In de hele organisatie | NativeWat werkt, kan van één persoon naar het team en de organisatie gaan, volgens jouw regels | Skills en geheugen kunnen in de hele organisatie worden gedeeld |
| Delen tussen mensen, onder controle | Jij kiest wat wordt gedeeld en met wie, en kunt het intrekken; alles wat gedeeld is, toont van wie het komt | Gedeelde repository’s en rechten voor samenwerking |
| Bescherming voor gedeelde inhoud | Wat iemand deelt, komt binnen als informatie, nooit als instructies, dus het kan de agent van een ander niet sturen | Steunt op agentcontext en rechten |
| Controle en vertrouwen | ||
| Je regels | Je regels horen bij hoe Duplex werkt: ze staan echte acties toe, weigeren ze of beperken ze | Instructies en rechten vormen het gedrag van agents |
| Regels toegepast vóór elke actie | NativeDe hooks toetsen elke actie aan je regels voordat die draait | Hangt af van de Letta-runtime, rechten en toolhost |
| Mensen in het proces | Een persoon bevestigt de acties die je kiest, en wat Duplex leert, kan worden beoordeeld en ongedaan gemaakt | Gebruikers kunnen geheugen en skills inzien en beheren |
| Een geschiedenis die je kunt controleren | Een geschiedenis van elke beslissing, waar die vandaan kwam en wat eruit voortkwam, die niet stilletjes kan worden veranderd | Persistente gesprekken, geheugen en agenttoestand |
| Bonnetjes die je kunt verifiëren | Beslissingen, skills en verwijderingen kunnen komen met bonnetjes die je kunt verifiëren | Herinneringen en skills met versiebeheer |
| Precies ongedaan maken wat geleerd is | NativeÉén geleerde wijziging kan precies ongedaan worden gemaakt, zonder iets te hertrainen | Skills en herinneringen kunnen worden bewerkt of via versies teruggedraaid |
| Vergeten dat alles bereikt wat erop is gebouwd | Iets verwijderen verwijdert ook wat eruit voortkwam: context, alles wat ervan gedeeld is en verwant leren | Geheugen en skills worden opgeschoond via bestanden en versies |
| Klanten gescheiden houden | Elke gebruiker, elk team, elke organisatie en elke klant blijft gescheiden, in elke integratie en in alles wat het deelt | Rechten in de cloud en bij zelfhosting |
| Waar al het geleerde vandaan komt | Bij alles wat het leerde, zie je de bron, het bereik en hoe ver het te vertrouwen is | Geheugen en skills blijven inzichtelijk |
| Waar het draait en koppelt | ||
| Elke modelaanbieder | Één intelligentie voor OpenAI, Anthropic, Google, AWS en compatibele modellen | Een agent-harness dat met elk model werkt |
| MCP | NativeVia MCP + hooks doet Duplex mee bij elke stap die je agents zetten | Met gehoste MCP kunnen andere agents stateful Letta-agents aanmaken en berichten sturen |
| Hooks en plugins | NativePlugins voor Claude, Codex, Cursor en Hermes, en hooks die Duplex bij elke stap betrekken en gevoelige toolacties controleren | Integratie via SDK, CLI en agent-runtime |
| Jouw cloud, of zelfgehost | Vareon Cloud, of je eigen cloudaccount: zelfgehost, of voor je beheerd door Vareon | Cloud, en een zelfgehoste app-server |
| Kosten, snelheid en geschiktheid | ||
| Hoe het modelkosten verlaagt | Duplex beantwoordt bekend werk zelf, zonder herhaalde aanroep van een frontiermodel | Betere context en skills verbeteren resultaten, maar het model draait nog steeds |
| Hoe het latentie verlaagt | Beslissingen waar het zeker van is, komen snel terug; onzeker werk gaat nog steeds naar je frontiermodel | Beter georganiseerde context kan verspild redeneren verminderen |
| Overleeft een modelupgrade | JaLeren, context, taken en regels blijven buiten elk afzonderlijk model | JaGeheugen en skills zijn bewust onafhankelijk van het model |
| Fine-tuning nodig | NeeFine-tuning wordt een optionele extra stap | Nee |
| Het best geschikt voor | Organisaties waarvan de AI-agents moeten leren, binnen regels plannen, simuleren, beslissen en handelen, werk meenemen en beter worden over modellen heen, als één systeem | Teams die persistente, zichzelf verbeterende agents bouwen rond geheugen en skills in token-ruimte |
De andere vergelijkingen.
- Duplex en CopilotKit CLiFEchte workflows, omgezet in skills
- Duplex en Deeplake HivemindGedeeld geheugen voor coding-agents
- Duplex en geheugenplatformsMem0, Zep, AgentCore Memory, Supermemory
- Duplex en fine-tuningFine-tuning en reinforcement fine-tuning
- Duplex en AI-gatewaysPortkey, LiteLLM en vergelijkbare
- De volledige vergelijkingDuplex naast alle zes, naast elkaar
Zie Duplex in je eigen werk.
Vergelijk het waar het telt: een pilot zet Duplex in op je eigen werk, met maatstaven die vóór de start zijn afgesproken.