Duplex og Letta,
side om side.
Letta bygger agenter med tilstand rundt varig minne og lærte ferdigheter. Duplex kobler KI-en din sammen med en andre intelligens, en ACI-modell: sammen lærer de av hvert resultat, planlegger, simulerer, avgjør og handler ut fra det under kjøring, innenfor reglene dine, uansett hvilken modell du bruker.
Sammenligningen gjelder per 16. oktober 2026.
Alle evner: Duplex og Letta.
Hva hver av dem gjør, gruppe for gruppe, fra hva det er til hva det koster.
- Innebygd
- Bygget inn i hvordan produktet fungerer i kjernen.
- Ekstern
- Du sørger for det, eller setter det sammen, separat.
- Ikke innebygd
- Produktets dokumentasjon oppgir det ikke som en innebygd funksjon. En egen løsning kan likevel være mulig.
| Evne | Duplex | Letta |
|---|---|---|
| Hva hver av dem er | ||
| Hva det er | KI-en din og en ACI-modell som jobber som én: kjøretidsintelligens som lærer, planlegger, simulerer, avgjør og handler for agentene og assistentene dine, innenfor reglene dine | En agentplattform med tilstand, bygget rundt varig minne og læring i token-rommet |
| Hva som føres videre | Kontekst, beslutninger, utfall, regler, oppgaver, ferdigheter og det den har lært | Agentminne, samtaler, filer og ferdigheter |
| Hva som blir bedre med erfaring | De neste beslutningene: hvor sikker den er, ruting, anbefalinger, verktøybruk og gjenbrukbar kunnskap | Agentens framtidige atferd, via oppdatert minne og lærte ferdigheter |
| Å vite hva som skjedde, og lære av det | InnebygdDen vet hva som skjedde, og lærer hva den skal endre neste gang | Begge deler finnes, hovedsakelig via minne og ferdigheter i token-rommet |
| Læring | ||
| Kontinuerlig læring uten omtrening | InnebygdDen fortsetter å lære, utenfor vektene i modellen din | InnebygdLæring i token-rommet og ferdighetslæring |
| Tilpasning tur for tur | InnebygdHvert nytt resultat kan endre neste beslutning med en gang | Minne som agenten selv styrer, kan endres fortløpende; ferdighetslæring kommer etter avsluttet erfaring |
| Læring av rettelser | InnebygdEn rettelse endrer det Duplex gjør videre | Rettelser kan oppdatere minnet eller mate lærte ferdigheter |
| Læring av utfall | InnebygdSuksess og feil går rett tilbake inn i det den lærer | Mulig via refleksjon over trajektorier og oppdateringer agenten selv styrer |
| Læring av belønninger | InnebygdEn belønning forsterker det som virket, og retter opp det som ikke gjorde det | Belønninger er ikke hovedmåten den lærer på |
| Æren for stegene bak et resultat | InnebygdDen finner ut hvilke tidligere handlinger som førte til et senere resultat | Letta tilbyr ikke dette innebygd under kjøring |
| Hvordan handlinger fører arbeidet videre | InnebygdDen lærer hvordan hver handling fører arbeidet fra én tilstand til den neste | Agenten kan utlede dette fra konteksten |
| Å forutsi hva en handling vil gjøre | InnebygdUt fra det den observerer, forutsier den hva en handling vil gjøre, prøver alternativer og planlegger | Modellen resonnerer over minnet |
| Bedre valg av handling | InnebygdUtfall forbedrer hvilken handling den velger neste gang | Atferden blir bedre via minne og ferdigheter |
| Gjenbrukbare ferdigheter | InnebygdErfaring blir ferdigheter som testes før bruk, og som kan settes på pause, tas i bruk igjen eller trekkes tilbake | InnebygdTrajektorier kan bli varige ferdigheter som fungerer med alle modeller |
| Testing og forvaltning av ferdigheter | En ferdighet testes før man stoler på den, og kan settes på pause, tas i bruk igjen, trekkes tilbake eller fjernes for godt | Ferdigheter er filer du kan inspisere, forvalte og versjonere |
| Generalisering til beslektede saker | Den tar det den har lært med til beslektede saker og nye formuleringer, og inn i ferdigheter den kan gjenbruke | Ferdigheter i token-rommet generaliserer prosedyrer på tvers av oppgaver |
| Planlegging, simulering, beslutning og handling | ||
| Å vite hvor sikker den er | InnebygdFør hver beslutning vet den hvor kjent saken er og hvor sikker den er | Hovedsakelig modellens skjønn og hvor relevant minnet er |
| Svare, overlevere eller avvise | InnebygdDuplex svarer selv, kaller modellen din, bruker et verktøy eller avviser, innenfor reglene dine | Agenten fortsetter vanligvis via modellens resonnering |
| Å svare selv på kjent arbeid | InnebygdDen tar kjente beslutninger selv, uten enda et kall til en ledende modell | Modellen tolker fortsatt minne eller ferdigheter |
| Å overlevere det som er nytt eller usikkert | Nytt, usikkert eller sensitivt arbeid går til riktig modell, verktøy eller person | Agenten og modellen avgjør når det trengs mer hjelp |
| Planlegging, simulering og anbefalinger | InnebygdDen forutsier hva som skjer videre, prøver alternativer, legger planer og anbefaler handlinger | Hovedsakelig via modellens resonnering og agentverktøy |
| Mange agenter som jobber sammen | Den sender arbeid til riktig agent, deler det opp innenfor reglene dine, holder hver agent innenfor sitt område og samler resultatene | Agenter, underagenter og delt minne er tilgjengelig |
| Å lære hvilke verktøy som virker | Den lærer hvilke verktøy som virker, når de skal brukes og hva hvert av dem fører til | Ferdigheter og minne kan forbedre verktøybruken |
| Verktøyhandlinger innenfor reglene dine | Verktøy kjører bare gjennom reglene og tillatelsene dine | Agenttillatelser og verktøykonfigurasjon |
| Strømming | Den strømmer utdata fra modeller og verktøy, med hvert steg fortsatt innenfor reglene dine | Tilgjengelig via agent- og modellgrensesnitt |
| Arbeid som fortsetter | ||
| Læring av hvert steg, automatisk | Hvert steg, via MCP + hooks eller pluginene, mater én felles læringssløyfe | Letta-kjøretiden lagrer agentsamtaler og handlinger |
| Kontekst på tvers av økter | InnebygdArbeid, beslutninger, oppgaver og konteksten som betyr noe, fortsetter på tvers av økter | InnebygdVarige agenter beholder minne på tvers av samtaler |
| Langvarig arbeid | InnebygdLangvarig arbeid holdes åpent på tvers av økter og agenter, med trygge punkter å gå tilbake til, til det er ferdig eller glemt | Varige agenter kan føre arbeid videre, med en livssyklus som agenten og appen bestemmer |
| På tvers av modeller | InnebygdDet den lærer, og konteksten din, blir værende utenfor modellen og følger arbeidet på tvers av tilbydere | Sterk: minne og ferdigheter i token-rommet kan overleve et modellbytte |
| På tvers av apper og agenter | Det samme arbeidet fortsetter på tvers av Claude, Codex, Cursor, Hermes og dine egne agenter | Agenter med tilstand kan nås via SDK-er og hostet MCP |
| Å overlevere arbeid til en annen agent | En oppgave og konteksten går over til en annen agent du tillater, klar til å fortsette | Delte agenter og repositorier kan støtte en overlevering |
| Å holde konteksten kompakt | Konteksten holdes kompakt, med vekt på reglene, oppgavene og beslutningene som betyr noe | Organisering av minne, sammendrag og filbasert kontekststyring |
| Læring fra bilder, lyd, video og PDF-er | Den lærer av bilder, lyd, video og PDF-er, slik den gjør av tekst | Avhenger av den tilkoblede modellen og agentverktøyene |
| På tvers av medier | Et spørsmål i ord kan bygge på det som er lært fra bilder, lyd og video, og medier kan forme senere beslutninger | Avhenger av modellen og hvordan minnet er bygget opp |
| Personer, team og deling | ||
| For hver person | InnebygdHver person får sin egen private kontekst, egne preferanser og egen læring | Innebygd minne per agent og per bruker |
| For hvert team | InnebygdTeam deler godkjent læring, og privat arbeid forblir privat | Delte minnerepositorier og ferdigheter |
| På tvers av organisasjonen | InnebygdDet som virker, kan flyttes fra én person til teamet og organisasjonen, under reglene dine | Ferdigheter og minne kan deles på tvers av organisasjonen |
| Deling mellom personer, under kontroll | Du velger hva som deles og med hvem, og kan trekke det tilbake; alt som deles, viser hvem det kom fra | Delte repositorier og tillatelser for samarbeid |
| Beskyttelse av delt innhold | Det noen deler, kommer fram som informasjon, aldri som instrukser, så det kan ikke styre en annen persons agent | Bygger på agentens kontekst og tillatelser |
| Kontroll og tillit | ||
| Reglene | Reglene dine er en del av hvordan Duplex fungerer: de tillater, avviser eller begrenser reelle handlinger | Instrukser og tillatelser former agentens atferd |
| Regler brukt før hver handling | InnebygdHookene kontrollerer hver handling mot reglene dine før den kjøres | Avhenger av Letta-kjøretiden, tillatelsene og verktøyverten |
| Mennesker i sløyfen | En person bekrefter handlingene du velger, og det Duplex lærer, kan gjennomgås og angres | Brukere kan inspisere og forvalte minne og ferdigheter |
| En historikk du kan sjekke | En historikk over hver beslutning, hvor den kom fra og hva den førte til, som ikke kan endres i det stille | Varige samtaler, minne og agenttilstand |
| Kvitteringer du kan verifisere | Beslutninger, ferdigheter og slettinger kan følges av kvitteringer du kan verifisere | Versjonerte minner og ferdigheter |
| Å angre det som ble lært, nøyaktig | InnebygdÉn lært endring kan angres nøyaktig, uten å trene om noe | Ferdigheter og minner kan redigeres eller rulles tilbake via versjoner |
| Glemming som når alt som bygger på det | Å fjerne noe fjerner også det som kom fra det: kontekst, alt som er delt fra det, og beslektet læring | Minne og ferdigheter ryddes opp via filer og versjoner |
| Å holde kunder atskilt | Hver bruker, hvert team, hver organisasjon og hver kunde holdes atskilt, i hver integrasjon og i alt den deler | Tillatelser i skyen og når den er selvhostet |
| Hvor alt som er lært, kom fra | For alt den har lært, kan du se kilden, omfanget og hvor mye det kan stoles på | Minne og ferdigheter kan fortsatt inspiseres |
| Hvor det kjører og kobles til | ||
| Hvilken som helst modelltilbyder | Én intelligens på tvers av OpenAI, Anthropic, Google, AWS og kompatible modeller | Et kjøremiljø for agenter som fungerer med alle modeller |
| MCP | InnebygdVia MCP + hooks deltar Duplex i hvert steg agentene dine tar | Hostet MCP lar andre agenter opprette og sende meldinger til Letta-agenter med tilstand |
| Hooks og pluginer | InnebygdPluginer for Claude, Codex, Cursor og Hermes, og hooks som henter inn Duplex ved hvert steg og kontrollerer sensitive verktøyhandlinger | Integrasjon via SDK, CLI og agentkjøretid |
| Din sky, eller selvhostet | Vareon Cloud, eller din egen skykonto: selvhostet, eller driftet av Vareon for deg | Sky, og en selvhostet appserver |
| Kostnad, hastighet og egnethet | ||
| Hvordan den senker modellkostnaden | Duplex svarer selv på kjent arbeid, uten gjentatte kall til en ledende modell | Bedre kontekst og ferdigheter gir bedre resultater, men modellen kjører fortsatt |
| Hvordan den senker latensen | Beslutninger den er sikker på, kommer raskt tilbake; usikkert arbeid går fortsatt til den ledende modellen din | Bedre organisert kontekst kan kutte bortkastet resonnering |
| Overlever en modelloppgradering | JaLæring, kontekst, oppgaver og regler blir værende utenfor enhver enkeltmodell | JaMinne og ferdigheter er bevisst uavhengige av modellen |
| Finjustering nødvendig | NeiFinjustering blir et valgfritt steg opp | Nei |
| Passer best for | Organisasjoner som trenger at KI-agentene deres lærer, planlegger, simulerer, avgjør og handler innenfor regler, fører arbeid videre og blir bedre på tvers av modeller, som ett system | Team som bygger varige, selvforbedrende agenter rundt minne og ferdigheter i token-rommet |
De andre sammenligningene.
- Duplex og CopilotKit CLiFVirkelige arbeidsflyter, gjort om til ferdigheter
- Duplex og Deeplake HivemindDelt minne for kodeagenter
- Duplex og minneplattformerMem0, Zep, AgentCore Memory, Supermemory
- Duplex og finjusteringFinjustering og finjustering med forsterkningslæring
- Duplex og KI-gatewayerPortkey, LiteLLM og lignende
- Hele sammenligningenDuplex ved siden av alle seks, side om side
Se Duplex på ditt eget arbeid.
Sammenlign den der det teller: en pilot setter Duplex på ditt eget arbeid, med måltallene avtalt før den begynner.