A memória recorda. As competências codificam. A afinação retreina. Os gateways dirigem.
O Duplex fecha o ciclo.
Quase toda a infraestrutura de IA resolve uma parte do trabalho. O Duplex junta todas as partes numa só inteligência em execução que não para de melhorar enquanto trabalha.
Comparação atualizada a 16 de outubro de 2026.
Cada um resolve uma parte.
As plataformas de memória guardam informação. A aprendizagem de competências transforma a experiência em instruções. A afinação altera os pesos do modelo. Os gateways de IA encaminham pedidos e aplicam barreiras de proteção. O Duplex junta tudo isto, e não para de melhorar.
Passo 1 de 5: Memória
Todas as capacidades, lado a lado.
Escolha um para colocar ao lado do Duplex, ou veja todos de uma vez.
- Nativo
- Integrado no funcionamento central do produto.
- Externo
- É você que o fornece, ou monta, à parte.
- Não nativo
- A documentação do produto não o indica como funcionalidade integrada. Uma solução à medida pode ainda ser possível.
Colocar ao lado do Duplex:
| Capacidade | Duplex | Letta | CopilotKit CLiF | Deeplake Hivemind | Plataformas de memóriaMem0, Zep, AgentCore Memory e Supermemory | Afinação e RFT | Gateways de IAPortkey, LiteLLM e semelhantes |
|---|---|---|---|---|---|---|---|
| O que é cada um | |||||||
| O que é | A sua IA e um modelo ACI, a trabalhar como um só: inteligência em execução que aprende, planeia, simula, decide e age para os seus agentes e assistentes, dentro das suas regras | Uma plataforma de agentes com estado, construída em torno de memória persistente e aprendizagem no espaço de tokens | Um pipeline full-stack que transforma trajetórias em competências, avaliações e dados de treino | Memória partilhada de agentes que transforma rastos em competências automaticamente | Contexto persistente, factos, episódios e grafos de conhecimento | Personalizar um modelo ao treiná-lo | Encaminhamento entre modelos, fiabilidade, barreiras de proteção e observabilidade |
| O que leva adiante | Contexto, decisões, desfechos, regras, tarefas, competências e o que aprendeu | Memória de agentes, conversas, ficheiros e competências | Fios, trajetórias, conclusões, competências e avaliações | Sessões, memórias e competências circunscritas a uma área de trabalho | Factos, mensagens, resumos, episódios e relações de grafo | Um novo conjunto de pesos do modelo | Configuração, registos, políticas de encaminhamento e caches |
| O que melhora com a experiência | As suas próximas decisões: confiança, encaminhamento, recomendações, uso de ferramentas e conhecimento reutilizável | O comportamento futuro do agente, através de memória atualizada e competências aprendidas | As instruções do agente, através de competências revistas, tiradas de fluxos de trabalho reais | O comportamento da sessão seguinte, através de competências destiladas | Sobretudo o contexto dado à próxima chamada ao modelo | As respostas do modelo subjacente | O encaminhamento de pedidos e a fiabilidade, não o que o agente aprendeu |
| Saber o que aconteceu, e aprender com isso | NativoSabe o que aconteceu, e aprende o que mudar a seguir | Existem ambas, sobretudo através de memória e competências no espaço de tokens | A aprendizagem é gerada a partir de trajetórias armazenadas | A memória partilhada é transformada em competências reutilizáveis | Sobretudo memória; até onde aprende varia consoante o fornecedor | Aprendizagem sem memória operacional duradoura | Controlo operacional sem aprendizagem contínua |
| Aprendizagem | |||||||
| Aprendizagem contínua sem retreino | NativoContinua a aprender, fora dos pesos do seu modelo | NativoAprendizagem no espaço de tokens e de competências | NativoAprendizagem de competências; os dados de afinação são opcionais | NativoAprender competências a partir de rastos | Melhoria através do contexto; a profundidade varia consoante a plataforma | NãoÉ com o treino que aprende | Não nativo |
| Adaptação turno a turno | NativoCada resultado novo pode mudar logo a decisão seguinte | A memória gerida pelo agente pode mudar continuamente; a aprendizagem de competências vem depois da experiência concluída | A análise corre manualmente ou de forma agendada | As competências são destiladas em segundo plano ou no fim de uma sessão | É possível acrescentar memórias continuamente, mas recuperá-las não é adaptar-se | Espera que um trabalho de treino termine e que o novo modelo seja implementado | O encaminhamento muda de imediato, mas não com base em desfechos aprendidos |
| Aprender com as correções | NativoUma correção muda o que o Duplex faz a seguir | As correções podem atualizar a memória ou alimentar competências aprendidas | As alterações dos utilizadores e as ações da aplicação alimentam a sua aprendizagem | As correções e os rastos de sessão podem tornar-se competências | As correções podem ser armazenadas e recuperadas como contexto | As correções têm de entrar num conjunto de dados de treino ou num pipeline de recompensas | Normalmente ficam registadas; aprender com elas é externo |
| Aprender com os desfechos | NativoO sucesso e o fracasso alimentam diretamente o que aprende | Possível através da reflexão sobre trajetórias e de atualizações geridas pelo agente | Os desfechos em toda a stack tornam-se conclusões, competências, avaliações e dados de treino | As novas competências são extraídas de sessões concluídas | Os episódios podem ser recuperados, mas aprender com os desfechos é geralmente externo | NativoQuando os desfechos podem ser convertidos em recompensas | Os desfechos aparecem na telemetria; aprender com eles é externo |
| Aprender com as recompensas | NativoUma recompensa reforça o que funcionou e corrige o que não funcionou | As recompensas não são a sua principal forma de aprender | Pode produzir dados de afinação a partir de trajetórias avaliadas | As recompensas não são a sua principal forma de aprender | As recompensas não são uma funcionalidade comum de memória | NativoAs recompensas otimizam os pesos do modelo | Não nativo |
| Mérito para os passos que levam a um resultado | NativoDescobre que ações anteriores levaram a um resultado posterior | A Letta não oferece isto de forma nativa em execução | Analisar trajetórias pode revelar padrões úteis de fluxo de trabalho | Analisar rastos pode encontrar procedimentos reutilizáveis | Não nativo | Pode aprender correlações a partir de exemplos de treino, mas não consegue rastrear um resultado em tempo real até aos seus passos | Não nativo |
| Como as ações fazem avançar o trabalho | NativoAprende como cada ação leva o trabalho de um estado ao seguinte | O agente pode inferir isto a partir do contexto | Pode transformar fluxos de trabalho em competências | Pode captar procedimentos bem-sucedidos como competências | Os episódios armazenados podem servir de exemplo | Pode absorver estes padrões durante o treino | Não nativo |
| Prever o que uma ação vai fazer | NativoA partir do que observa, prevê o que uma ação vai fazer, experimenta alternativas e planeia | O modelo raciocina sobre a memória | ExternoFica a cargo da framework de agentes | Não nativo | Não nativo | Implícito no modelo treinado, onde não o pode editar | Não nativo |
| Melhores escolhas de ação | NativoOs desfechos melhoram a escolha da ação seguinte | O comportamento melhora através da memória e das competências | As competências revistas melhoram as próximas instruções do agente | As competências destiladas melhoram os procedimentos seguintes | O contexto recuperado pode moldar o comportamento indiretamente | NativoOtimizando o modelo | As políticas de encaminhamento são configuradas, não aprendidas a partir dos desfechos |
| Competências reutilizáveis | NativoA experiência transforma-se em competências que são testadas antes do uso, e que podem ser pausadas, repostas ou retiradas | NativoAs trajetórias podem tornar-se competências duradouras que funcionam com qualquer modelo | NativoAs trajetórias tornam-se competências revistas, apoiadas em evidências | NativoAs sessões tornam-se ficheiros skill.md para a área de trabalho | Depende do fornecedor; em geral, a categoria não gira em torno disto | O conhecimento é absorvido pelos pesos, não empacotado como competências portáteis | Não nativo |
| Testar e gerir competências | Uma competência é testada antes de se contar com ela, e pode ser pausada, reposta, retirada ou removida de vez | As competências são ficheiros que pode inspecionar, gerir e versionar | Publicadas após revisão humana, entregues numa versão fixa | As competências continuam a ser ficheiros que pode inspecionar e editar, ligados às sessões de onde vieram | Normalmente um ciclo de vida por registo, não por competência | A avaliação acontece em torno do treino e da implementação | Versões de configuração, não um ciclo de vida para competências aprendidas |
| Generalizar para casos relacionados | Leva o que aprendeu a casos relacionados e a formulações novas, e a competências que pode reutilizar | As competências no espaço de tokens generalizam procedimentos entre tarefas | As competências captam padrões ao longo de muitas trajetórias de produção | As competências captam padrões que se repetem entre sessões | A recuperação semântica encontra informação relacionada, o que não é o mesmo que generalizar comportamento | Generaliza através dos pesos treinados | As caches semânticas encontram pedidos semelhantes, mas não aprendem a decidir nem a agir |
| Planear, simular, decidir e agir | |||||||
| Saber o seu grau de certeza | NativoAntes de cada decisão, sabe quão conhecido é o caso e qual o seu grau de certeza | Sobretudo o juízo do modelo e a relevância da memória | Guiado pela avaliação, não por uma medida de certeza em tempo real | A relevância da recuperação e das competências, não uma medida de certeza | Pontuações de recuperação e sinais de relevância | A confiança do modelo tem de ser medida à parte | O estado dos fornecedores, o encaminhamento e as pontuações das barreiras de proteção, não a certeza sobre a tarefa |
| Responder, passar adiante ou recusar | NativoO Duplex responde por si, chama o seu modelo, usa uma ferramenta ou recusa, dentro das suas regras | Normalmente, o agente continua através do raciocínio do modelo | ExternoO agente anfitrião decide como agir | ExternoO agente anfitrião decide como agir | ExternoA aplicação anfitriã decide como agir | O modelo treinado continua a correr em cada pedido | Encaminhar, repetir, bloquear ou recorrer a uma alternativa, sem aprender com os desfechos |
| Responder por si ao trabalho conhecido | NativoToma sozinho as decisões conhecidas, sem outra chamada a um modelo de fronteira | O modelo continua a interpretar a memória ou as competências | O modelo continua a ler a competência aprendida | O modelo continua a ler a competência aprendida | Normalmente, o modelo lê o contexto recuperado | O modelo personalizado continua a correr | Uma cache pode evitar uma chamada ao modelo, mas uma cache não aprende com os desfechos |
| Passar adiante o que é novo ou incerto | O trabalho novo, incerto ou sensível vai para o modelo, a ferramenta ou a pessoa certa | O agente e o modelo decidem quando é necessária mais ajuda | ExternoCabe ao agente anfitrião | ExternoCabe ao agente anfitrião | ExternoCabe à aplicação | ExternoCabe à aplicação | Encaminhamento sólido e recurso a alternativas entre fornecedores; a certeza sobre a tarefa continua externa |
| Planeamento, simulação e recomendações | NativoPrevê o que acontece a seguir, experimenta alternativas, constrói planos e recomenda ações | Sobretudo através do raciocínio do modelo e das ferramentas do agente | ExternoCabe ao agente anfitrião | ExternoCabe ao agente anfitrião | A memória fornece contexto; o planeamento continua externo | O modelo pode planear melhor, mas o estado do trabalho continua externo | Não nativo |
| Muitos agentes, a trabalhar em conjunto | Envia o trabalho para o agente certo, divide-o dentro das suas regras, mantém cada agente no seu âmbito e junta os resultados | Há agentes, subagentes e memória partilhada | Funciona com as frameworks de agentes suportadas | Partilha lições entre agentes ligados | A memória partilhada pode servir vários agentes | Não nativo | Alguns encaminham para agentes e ferramentas MCP, mas não aprendem que colaboração funcionou |
| Aprender que ferramentas funcionam | Aprende que ferramentas funcionam, quando as usar e a que leva cada uma | As competências e a memória podem melhorar o uso de ferramentas | As trajetórias full-stack captam ações de ferramentas e de utilizadores para novas competências | Os rastos de ferramentas podem tornar-se procedimentos reutilizáveis | Os resultados das ferramentas podem ser recordados | O comportamento das ferramentas pode melhorar através do treino | Expõem e encaminham ferramentas, mas em geral não aprendem com os seus desfechos |
| Ações de ferramentas dentro das suas regras | As ferramentas só correm através das suas regras e permissões | Permissões do agente e configuração de ferramentas | Controlado pela framework de agentes anfitriã | Controlado pelo agente de programação anfitrião | ExternoFica a cargo da aplicação em sistemas só de memória | Externo | Encaminhamento e barreiras de proteção sólidos; o controlo das ações do agente depende da integração |
| Streaming | Transmite em streaming o que o modelo e as ferramentas produzem, com cada passo sempre dentro das suas regras | Disponível através de interfaces de agentes e de modelos | Disponível através das frameworks de agentes suportadas | Depende do agente anfitrião | Depende do fornecedor | Depende do fornecedor do modelo | NativoStreaming sólido |
| Trabalho que continua | |||||||
| Aprender com cada passo, automaticamente | Cada passo, através de MCP + hooks ou dos plugins, alimenta um único ciclo de aprendizagem partilhado | O ambiente de execução da Letta armazena as conversas e as ações dos agentes | O AG-UI capta as ações dos agentes e dos utilizadores como trajetórias full-stack | As sessões dos agentes e a atividade das ferramentas são captadas automaticamente | As integrações por SDK ou ambiente de agentes captam mensagens e eventos | Os registos ou conjuntos de dados têm de ser fornecidos para o treino | Os pedidos, as respostas, o custo e a latência ficam registados |
| Contexto entre sessões | NativoO trabalho, as decisões, as tarefas e o contexto que importa continuam de uma sessão para a outra | NativoOs agentes persistentes mantêm a memória entre conversas | Os fios duradouros guardam as interações na app | NativoA memória partilhada sobrevive às sessões dos agentes | NativoA categoria gira precisamente em torno disto | Não nativo | ExternoEm geral |
| Trabalho de longa duração | NativoO trabalho longo fica aberto entre sessões e agentes, com pontos seguros para onde voltar, até estar concluído ou esquecido | Os agentes persistentes podem dar continuidade ao trabalho, com o ciclo de vida definido pelo agente e pela app | Os fios duradouros guardam o histórico das interações | A memória de sessão ajuda a retomar o trabalho | O contexto pode ser recuperado, mas gerir o estado das tarefas é externo | Não nativo | Não nativo |
| Entre modelos | NativoO que aprende e o seu contexto ficam fora do modelo, e acompanham o trabalho entre fornecedores | Forte: a memória e as competências no espaço de tokens podem sobreviver a uma troca de modelo | Forte: as competências podem ser entregues em várias stacks de agentes suportadas | Forte: as competências e a memória podem ser reutilizadas por diferentes agentes de programação | Em geral forte, porque a memória não depende do modelo | Fraco: um novo modelo base normalmente exige retreino ou nova validação | Forte no encaminhamento, mas nada do que foi aprendido é transferido |
| Entre apps e agentes | O mesmo trabalho continua no Claude, no Codex, no Cursor, no Hermes e nos seus próprios agentes | Os agentes com estado estão acessíveis através de SDKs e de MCP alojado | As competências podem ser entregues através de adaptadores de frameworks suportados | A memória partilhada liga o Claude Code, o Codex, o Cursor e outros agentes | Possível quando as apps partilham a mesma identidade de memória | Não nativo | Os pedidos podem partilhar um gateway, mas o que cada app sabe continua externo |
| Passar trabalho a outro agente | Uma tarefa e o seu contexto passam para outro agente que autorize, prontos a continuar | Agentes e repositórios partilhados podem apoiar uma passagem de trabalho | As trajetórias partilhadas e as competências publicadas mantêm o comportamento consistente | As competências da área de trabalho passam lições entre agentes | Outro agente autorizado pode recuperar o contexto partilhado | Não nativo | Pode haver encaminhamento para agentes e MCP; o significado da tarefa continua externo |
| Manter o contexto compacto | O contexto mantém-se compacto, focado nas regras, tarefas e decisões que importam | Organização da memória, resumos e gestão de contexto ao estilo de ficheiros | As trajetórias são destiladas em conclusões e competências | As sessões são destiladas em competências compactas | Resumos, memórias extraídas e registos episódicos | Não nativo | Truncagem ou cache de prompts, não um resumo duradouro do que importa |
| Aprender com imagens, áudio, vídeo e PDFs | Aprende com imagens, áudio, vídeo e PDFs, tal como com texto | Depende do modelo e das ferramentas de agente ligados | Depende dos eventos da app captados e da stack de agentes | Focado sobretudo em sessões e rastos de ferramentas | Depende do fornecedor e do modelo | Suportado quando o modelo e o serviço de treino aceitam esse formato | Sobretudo passa os formatos suportados para os fornecedores |
| Entre formatos | Uma pergunta em palavras pode recorrer ao que foi aprendido com imagens, áudio e vídeo, e os conteúdos multimédia podem moldar decisões posteriores | Depende do modelo e de como a memória é construída | Fora do foco principal do CLiF | Fora do foco principal do Hivemind | Disponível em produtos que indexam mais do que texto | Codificado nos pesos quando o treino o suporta | Não nativo |
| Pessoas, equipas e partilha | |||||||
| Para cada pessoa | NativoCada pessoa tem o seu próprio contexto, preferências e aprendizagem, privados | Memória nativa por agente e por utilizador | Possível através de fios da app e contentores de aprendizagem | Disponível através de âmbito pessoal ou da área de trabalho | Memória sólida por utilizador ou por ator | Normalmente exige um modelo treinado ou adaptado à parte | Chaves e orçamentos por utilizador; o comportamento pessoal é externo |
| Para cada equipa | NativoAs equipas partilham a aprendizagem aprovada, e o trabalho privado continua privado | Repositórios de memória e competências partilhados | As competências publicadas espalham a aprendizagem da equipa | Memória e competências partilhadas da área de trabalho | Disponível através de namespaces, grafos ou armazenamentos partilhados | Normalmente exige dados de treino partilhados e um modelo partilhado | Configuração e orçamentos por equipa |
| Em toda a organização | NativoO que funciona pode passar de uma pessoa para a equipa e para a organização, segundo as suas regras | As competências e a memória podem ser partilhadas em toda a organização | As competências revistas podem ser espalhadas pelos agentes suportados | As lições da área de trabalho podem espalhar-se pelos agentes ligados | É possível ter memória partilhada da organização | Um modelo personalizado pode codificar o comportamento comum da organização | Encaminhamento e barreiras de proteção em toda a organização, sem aprender com os desfechos |
| Partilha entre pessoas, sob controlo | Escolhe o que é partilhado e com quem, e pode retirá-lo; tudo o que é partilhado mostra de quem veio | Repositórios partilhados e permissões de colaboração | Permissões de projeto e de implementação | Controlos de acesso da área de trabalho | Namespaces específicos de cada fornecedor, IAM ou permissões de grafo | Controlos de acesso para conjuntos de dados e modelos | Controlos por chave, equipa e função |
| Proteção do conteúdo partilhado | O que alguém partilha chega como informação, nunca como instruções, por isso não pode orientar o agente de outra pessoa | Depende do contexto e das permissões do agente | A política do programador e as restrições de ferramentas sobrepõem-se às competências | Depende de como as competências são carregadas, e da confiança na área de trabalho | Depende da app e do fornecedor | Os dados de treino precisam dos seus próprios controlos antes do treino | As barreiras de proteção podem inspecionar as entradas partilhadas, mas a confiança no que significam continua externa |
| Controlo e confiança | |||||||
| As regras | As suas regras fazem parte de como o Duplex funciona: permitem, recusam ou limitam ações reais | As instruções e as permissões moldam o comportamento do agente | As competências aprendidas não podem sobrepor-se às regras de segurança do programador nem às restrições de ferramentas | As competências orientam o agente, mas por si só não impõem nada | O contexto pode informar o comportamento, mas não autoriza ações | O comportamento é moldado pelo treino, não por regras em tempo real | Barreiras de proteção sólidas na entrada e na saída, e políticas de encaminhamento |
| Regras aplicadas antes de cada ação | NativoOs hooks verificam cada ação face às suas regras antes de ser executada | Depende do ambiente de execução da Letta, das permissões e do anfitrião das ferramentas | Fica a cargo da app anfitriã e da framework de agentes | Fica a cargo do agente anfitrião | A memória fornece contexto, mas não autoriza ações externas | Externo | Forte para os pedidos e as respostas que passam pelo gateway |
| Pessoas no processo | Uma pessoa confirma as ações que escolher, e o que o Duplex aprende pode ser revisto e desfeito | Os utilizadores podem inspecionar e gerir a memória e as competências | Uma revisão rigorosa antes de as competências aprendidas serem publicadas | As competências podem ser inspecionadas e editadas antes de serem reutilizadas | Definido pela app | Revisão do treino, avaliação e aprovação antes da implementação | Os fluxos de aprovação variam consoante o gateway |
| Um histórico que pode verificar | Um histórico de cada decisão, de onde veio e no que resultou, que não pode ser alterado às escondidas | Conversas, memória e estado do agente persistentes | Conclusões apoiadas em evidências, e as trajetórias de onde vêm | Competências ligadas a sessões, e rastos armazenados | O histórico, o rastreio da origem e os controlos de auditoria variam consoante o fornecedor | Trabalhos de treino, conjuntos de dados, métricas de recompensa e versões do modelo | Registos sólidos de pedidos, respostas, custos e políticas |
| Recibos que pode verificar | As decisões, as competências e as eliminações podem vir com recibos que pode verificar | Memórias e competências versionadas | Ligações a evidências e às revisões exatas das competências | Ficheiros de competências ligados às sessões de origem | O rastreio da origem varia consoante o fornecedor | Relatórios de avaliação e de treino do modelo | Registos e resultados das barreiras de proteção, não recibos do que foi aprendido |
| Desfazer o que foi aprendido, com exatidão | NativoUma alteração aprendida pode ser desfeita com exatidão, sem retreinar nada | As competências e as memórias podem ser editadas ou revertidas através de versões | As competências publicadas podem ser revistas ou retiradas | Os ficheiros de competências podem ser editados ou removidos | As memórias podem ser eliminadas, mas o comportamento construído sobre elas não é revertido com exatidão | Reverter uma versão inteira do modelo, ou retreinar sem a amostra | A configuração e as entradas de cache podem ser removidas; não há nada aprendido para reverter |
| Um esquecimento que chega a tudo o que foi construído sobre ele | Remover algo remove também o que dele veio: o contexto, tudo o que dele foi partilhado e a aprendizagem relacionada | A memória e as competências são limpas através de ficheiros e versões | Implica remover as conclusões, competências e ativos derivados afetados | Implica remover as sessões e as competências geradas afetadas | Normalmente elimina registos; os resumos derivados e as cópias noutros sítios exigem tratamento à parte | Exige desaprendizagem automática ou retreino | Os registos e as caches seguem a sua própria política de retenção |
| Manter os clientes separados | Cada utilizador, equipa, organização e cliente é mantido à parte, em cada integração e em tudo o que partilha | Permissões na nuvem e em autoalojamento | Isolamento por projeto e implementação | Memória e competências circunscritas a uma área de trabalho | Isolamento por utilizador, ator, namespace, grafo ou IAM | IAM da nuvem e limites de acesso aos modelos | Isolamento maduro por chave, equipa, orçamento e função |
| De onde veio tudo o que foi aprendido | Para tudo o que aprendeu, pode ver a origem, o âmbito e até que ponto é de confiança | A memória e as competências continuam inspecionáveis | As conclusões e as competências continuam ligadas às trajetórias de onde vieram | As competências podem remeter para as sessões de origem | Forte em produtos de grafos temporais; varia nos restantes | Linhagem dos conjuntos de dados e metadados de treino | Linhagem dos pedidos e dos fornecedores |
| Onde corre e com o que se liga | |||||||
| Qualquer fornecedor de modelos | Uma só inteligência com OpenAI, Anthropic, Google, AWS e modelos compatíveis | Um ambiente de agentes que funciona com qualquer modelo | Funciona com as frameworks de agentes e os modelos suportados | Funciona com vários agentes de programação e os seus modelos | Em geral independente do modelo | Normalmente ligado ao modelo personalizado e ao fornecedor do treino | NativoA abstração de fornecedores é o que a categoria faz melhor |
| MCP | NativoAtravés de MCP + hooks, o Duplex junta-se a cada passo que os seus agentes dão | O MCP alojado permite que outros agentes criem agentes Letta com estado e lhes enviem mensagens | As competências podem chegar a agentes e servidores MCP através de integrações | Liga-se aos principais agentes de programação; o modo varia consoante o cliente | Disponível em vários produtos, incluindo Supermemory e AgentCore | Não nativo | Cada vez mais nativo |
| Hooks e plugins | NativoPlugins para Claude, Codex, Cursor e Hermes, e hooks que chamam o Duplex a cada passo e verificam ações sensíveis de ferramentas | Integração por SDK, CLI e ambiente de execução de agentes | AG-UI e adaptadores de frameworks | Captação automática de sessões de agentes de programação | Integrações por SDK e MCP | A recolha de dados tem de ser construída à parte | Integração por SDK e proxy, não hooks que aprendem com sessões de agentes |
| A sua nuvem, ou autoalojado | Vareon Cloud, ou a sua própria conta de nuvem: autoalojado, ou operado pela Vareon por si | Nuvem, e um servidor de aplicação autoalojado | Inteligência alojada na nuvem e autoalojada | Integração local de agentes; as opções de implementação variam | Específico de cada fornecedor; existem opções open source e geridas | Treino na nuvem e inferência alojada | As opções alojadas e autoalojadas variam consoante o gateway |
| Custo, velocidade e adequação | |||||||
| Como reduz o custo do modelo | O Duplex responde sozinho ao trabalho conhecido, sem repetir chamadas a um modelo de fronteira | Melhor contexto e melhores competências melhoram os resultados, mas o modelo continua a correr | Melhores competências reduzem falhas e retrabalho, mas o modelo continua a correr | Melhores competências reduzem erros repetidos, mas o modelo continua a correr | Melhor contexto reduz a repetição, mas acrescenta recuperação e continua a chamar o modelo | Um modelo personalizado mais pequeno pode dar a qualidade de que precisa | Cache, modelos mais baratos, processamento em lote e escolha de fornecedor |
| Como reduz a latência | As decisões de que tem certeza voltam depressa; o trabalho incerto continua a ir para o seu modelo de fronteira | Um contexto mais bem organizado pode reduzir raciocínio desperdiçado | As competências tornam a execução mais direta | As competências encurtam descobertas repetidas | Recuperação mais rápida e contexto mais pequeno | Depende do modelo personalizado | Cache, balanceamento de carga e escolha de fornecedor |
| Sobrevive a uma atualização do modelo | SimA aprendizagem, o contexto, as tarefas e as regras ficam fora de qualquer modelo | SimA memória e as competências são deliberadamente independentes do modelo | SimAs competências e as trajetórias ficam fora dos pesos do modelo | SimAs competências sobrevivem a uma troca de agente de programação ou de modelo | SimO contexto armazenado não depende do modelo | A personalização pertence a um único ponto de controlo do modelo, por isso não se transfere automaticamente | A configuração de encaminhamento sobrevive, mas nenhum comportamento aprendido é mantido |
| Exige afinação | NãoA afinação torna-se uma melhoria opcional | Não | NãoNão para as competências; o CLiF também pode produzir dados de afinação | Não | Não | Sim | Não |
| Ideal para | Organizações que precisam que os seus agentes de IA aprendam, planeiem, simulem, decidam e ajam dentro de regras, levem o trabalho adiante e melhorem entre modelos, como um só sistema | Equipas que constroem agentes persistentes que se melhoram a si próprios, em torno de memória e competências no espaço de tokens | Equipas de produto que transformam fluxos de trabalho reais de utilizadores em competências revistas, avaliações e ativos de treino | Equipas que querem que os agentes de programação partilhem sessões e reutilizem lições automaticamente | Apps que precisam sobretudo de um contexto de utilizador ou de negócio duradouro e relevante | Tarefas estáveis e de grande volume em que o próprio modelo tem de ser especializado | Equipas que precisam sobretudo de abstração de fornecedores, fiabilidade, barreiras de proteção e controlo de custos |
Um ciclo fechado.
O Duplex é onde o contexto, a aprendizagem, as competências e as suas regras se tornam um só ciclo, a funcionar enquanto o trabalho acontece.
O Duplex compreende a tarefa em mãos, e traz de volta o contexto que importa.
Passo 1 de 8: A tarefa
Porque é importante.
Um modelo de IA pode ser inteligente sem nunca ganhar experiência no seu trabalho.
Um sistema de memória mostra ao modelo o que aconteceu antes, mas não decide o que deve mudar. Um sistema de competências empacota uma lição, mas o modelo continua a ter de a ler e seguir. A afinação muda o modelo, através de um ciclo de treino mais lento e difícil de desfazer. Um gateway controla o tráfego, mas não aprende que decisão levou ao melhor desfecho.
O Duplex transforma a experiência em melhoria enquanto trabalha, dentro das suas regras.
Isso constrói outro tipo de ativo. Cada correção confirmada, fluxo de trabalho bem-sucedido, resultado útil de uma ferramenta e tarefa concluída reforça a inteligência em torno do seu modelo, e nada disso fica preso a um único fornecedor de modelos.
É isso que faz do Duplex uma categoria à parte: um ambiente de execução de aprendizagem persistente para agentes de IA.
Não é apenas uma base de dados vetorial, um plugin de memória, um gestor de prompts, um servidor MCP, um motor de fluxos de trabalho, um gateway de políticas ou um sistema de afinação. Combina partes de todos eles num só ambiente de execução que aprende.
Porque o Duplex é importante →A conclusão.
- MemóriaDá um passado a um agente.
- CompetênciasDão a um agente instruções reutilizáveis.
- AfinaçãoDá a um modelo pesos diferentes.
- GatewaysDão a uma stack de IA controlo do tráfego.
- DuplexDá a todo o sistema de agentes a capacidade de levar a experiência e as decisões adiante, aprender com os resultados, planear, simular, decidir e agir dentro das suas regras e melhorar entre modelos, ao longo do tempo.
Entre os produtos e as categorias analisados, o Duplex é o único construído para combinar:
- Contexto entre sessões
- Aprendizagem contínua a partir dos desfechos
- Aprender com correções e recompensas
- Mérito para os passos que levam a um resultado
- Aprender como as ações fazem avançar o trabalho, e prever o que vem a seguir
- Decisões que conhecem o seu grau de certeza
- Passar ao modelo, à ferramenta ou à pessoa certa
- Trabalho longo que continua
- Aprendizagem para cada pessoa, equipa e organização
- As suas regras, aplicadas antes de cada ação
- Ações de ferramentas dentro das suas regras
- Partilha entre pessoas, sob controlo
- Desfazer o que foi aprendido, com exatidão
- Um esquecimento que chega a tudo o que foi construído sobre ele
- De onde veio tudo o que foi aprendido, com recibos
- MCP + hooks, e plugins para os assistentes que usa
- Continuidade entre modelos e apps
- Vareon Cloud, ou a sua própria conta de nuvem
- Menos chamadas ao modelo, porque o trabalho conhecido é respondido diretamente
O Duplex torna os seus sistemas de IA melhores no trabalho a cada experiência.
As fontes.
As páginas de produto e a documentação em que esta comparação se baseia.
- Letta: aprendizagem de competências →
- Letta: MCP alojado →
- CopilotKit: apresentamos o CLiF →
- CopilotKit: aprendizagem automatizada →
- Deeplake Hivemind →
- Supermemory →
- Mem0: memória de grafos →
- Zep: memória de agentes →
- Amazon Bedrock AgentCore Memory →
- Afinação por reforço no Amazon Bedrock →
- Gateway de IA do Portkey →
- Gateway de IA do LiteLLM →
Comparação atualizada a 16 de outubro de 2026.
Veja o Duplex no seu próprio trabalho.
Compare-o onde conta: um piloto põe o Duplex no seu próprio trabalho, com as métricas acordadas antes de começar.