Duplex och Letta,
sida vid sida.
Letta bygger agenter med tillstånd kring beständigt minne och inlärda färdigheter. Duplex parar ihop din AI med en andra intelligens, en ACI-modell: tillsammans lär de sig av varje resultat, planerar, simulerar, beslutar och agerar utifrån det under körning, inom dina regler, vilken modell du än använder.
Jämförelsen är aktuell per den 16 oktober 2026.
Alla förmågor: Duplex och Letta.
Vad var och en gör, grupp för grupp, från vad den är till vad den kostar.
- Inbyggt
- Inbyggt i hur produkten fungerar i grunden.
- Externt
- Du tillhandahåller det, eller sätter ihop det, separat.
- Inte inbyggt
- Produktens dokumentation anger det inte som en inbyggd funktion. En egen lösning kan ändå vara möjlig.
| Förmåga | Duplex | Letta |
|---|---|---|
| Vad var och en är | ||
| Vad det är | Din AI och en ACI-modell som arbetar som en: körtidsintelligens som lär sig, planerar, simulerar, beslutar och agerar för dina agenter och assistenter, inom dina regler | En plattform för agenter med tillstånd, byggd kring beständigt minne och inlärning i tokenrymden |
| Vad den för vidare | Kontext, beslut, utfall, regler, uppgifter, färdigheter och det den har lärt sig | Agentminne, konversationer, filer och färdigheter |
| Vad som blir bättre med erfarenhet | Dess nästa beslut: konfidens, dirigering, rekommendationer, verktygsanvändning och återanvändbar kunskap | Agentens framtida beteende, genom uppdaterat minne och inlärda färdigheter |
| Att veta vad som hände, och lära av det | InbyggtDen vet vad som hände, och lär sig vad som ska ändras härnäst | Båda finns, främst genom minne och färdigheter i tokenrymden |
| Inlärning | ||
| Kontinuerlig inlärning utan omträning | InbyggtDen fortsätter att lära sig, utanför din modells vikter | InbyggtInlärning i tokenrymden och av färdigheter |
| Anpassning tur för tur | InbyggtVarje nytt resultat kan ändra nästa beslut direkt | Agentstyrt minne kan ändras kontinuerligt; färdighetsinlärning följer efter avslutad erfarenhet |
| Inlärning från rättelser | InbyggtEn rättelse ändrar vad Duplex gör härnäst | Rättelser kan uppdatera minnet eller mata inlärda färdigheter |
| Inlärning från utfall | InbyggtFramgång och misslyckande matas direkt tillbaka in i det den lär sig | Möjligt genom reflektion över förlopp och agentstyrda uppdateringar |
| Inlärning från belöningar | InbyggtEn belöning förstärker det som fungerade och rättar det som inte gjorde det | Belöningar är inte dess huvudsakliga sätt att lära sig |
| Äran till stegen bakom ett resultat | InbyggtDen räknar ut vilka tidigare handlingar som ledde till ett senare resultat | Letta erbjuder inte detta inbyggt vid körning |
| Hur handlingar för arbetet framåt | InbyggtDen lär sig hur varje handling för arbetet från ett tillstånd till nästa | Agenten kan härleda detta från kontexten |
| Att förutsäga vad en åtgärd kommer att göra | InbyggtUtifrån det den observerar förutsäger den vad en handling kommer att göra, provar alternativ och planerar | Modellen resonerar över minnet |
| Bättre val av handling | InbyggtUtfall förbättrar vilken handling den väljer härnäst | Beteendet förbättras genom minne och färdigheter |
| Återanvändbara färdigheter | InbyggtErfarenhet blir färdigheter som testas innan de används och som kan pausas, återinföras eller dras tillbaka | InbyggtFörlopp kan bli varaktiga färdigheter som fungerar med vilken modell som helst |
| Att testa och hantera färdigheter | En färdighet testas innan man förlitar sig på den, och kan pausas, återinföras, dras tillbaka eller tas bort för gott | Färdigheter är filer som du kan inspektera, hantera och versionera |
| Generalisering till närliggande fall | Den för det den har lärt sig vidare till närliggande fall och nya formuleringar, och in i färdigheter den kan återanvända | Färdigheter i tokenrymden generaliserar procedurer mellan uppgifter |
| Att planera, simulera, besluta och agera | ||
| Att veta hur säker den är | InbyggtFöre varje beslut vet den hur bekant fallet är och hur säker den är | Främst modellens omdöme och hur relevant minnet är |
| Svara, lämna över eller avböja | InbyggtDuplex svarar själv, anropar din modell, använder ett verktyg eller avböjer, inom dina regler | Agenten fortsätter oftast genom modellens resonemang |
| Att själv besvara bekant arbete | InbyggtDen fattar bekanta beslut själv, utan ännu ett anrop till en spetsmodell | Modellen tolkar fortfarande minnet eller färdigheterna |
| Att lämna över det som är nytt eller osäkert | Nytt, osäkert eller känsligt arbete går till rätt modell, verktyg eller person | Agenten och modellen avgör när mer hjälp behövs |
| Planering, simulering och rekommendationer | InbyggtDen förutsäger vad som händer härnäst, provar alternativ, bygger planer och rekommenderar handlingar | Främst genom modellens resonemang och agentens verktyg |
| Många agenter som arbetar tillsammans | Den skickar arbetet till rätt agent, delar upp det inom dina regler, håller varje agent inom sitt område och för samman resultaten | Agenter, underagenter och delat minne finns tillgängliga |
| Att lära sig vilka verktyg som fungerar | Den lär sig vilka verktyg som fungerar, när de ska användas och vad vart och ett leder till | Färdigheter och minne kan förbättra verktygsanvändningen |
| Verktygsåtgärder inom dina regler | Verktyg körs bara genom dina regler och behörigheter | Agentbehörigheter och verktygskonfiguration |
| Strömning | Den strömmar utdata från modell och verktyg, med varje steg fortfarande inom dina regler | Tillgängligt via agent- och modellgränssnitt |
| Arbete som fortsätter | ||
| Inlärning från varje steg, automatiskt | Varje steg, via MCP + hooks eller tilläggen, matar en enda gemensam inlärningsslinga | Lettas körmiljö lagrar agenternas konversationer och åtgärder |
| Kontext mellan sessioner | InbyggtArbete, beslut, uppgifter och den kontext som spelar roll fortsätter mellan sessioner | InbyggtBeständiga agenter behåller minnet mellan konversationer |
| Långvarigt arbete | InbyggtLångt arbete förblir öppet mellan sessioner och agenter, med säkra punkter att gå tillbaka till, tills det är klart eller glömt | Beständiga agenter kan föra arbetet vidare, med en livscykel som agenten och appen bestämmer |
| Mellan modeller | InbyggtDet den lär sig och din kontext stannar utanför modellen, och följer arbetet mellan leverantörer | Stark: minne och färdigheter i tokenrymden kan överleva ett modellbyte |
| Mellan appar och agenter | Samma arbete fortsätter i Claude, Codex, Cursor, Hermes och dina egna agenter | Agenter med tillstånd nås via SDK och hostad MCP |
| Att lämna över arbete till en annan agent | En uppgift och dess kontext går över till en annan agent som du tillåter, redo att fortsätta | Delade agenter och kodförråd kan stödja en överlämning |
| Att hålla kontexten kompakt | Kontexten förblir kompakt, inriktad på de regler, uppgifter och beslut som spelar roll | Organisering av minnet, sammanfattningar och filbaserad kontexthantering |
| Inlärning från bilder, ljud, video och PDF-filer | Den lär sig av bilder, ljud, video och PDF-filer, precis som av text | Beror på den anslutna modellen och agentens verktyg |
| Mellan format | En fråga i ord kan bygga på det som lärts från bilder, ljud och video, och media kan forma senare beslut | Beror på modellen och hur minnet är byggt |
| Människor, team och delning | ||
| För varje person | InbyggtVarje person får sin egen privata kontext, sina preferenser och sin inlärning | Inbyggt minne per agent och per användare |
| För varje team | InbyggtTeam delar godkänd inlärning, och privat arbete förblir privat | Delade minnesförråd och färdigheter |
| I hela organisationen | InbyggtDet som fungerar kan gå från en person till teamet och organisationen, under dina regler | Färdigheter och minne kan delas i hela organisationen |
| Delning mellan människor, under kontroll | Du väljer vad som delas och med vem, och kan dra tillbaka det; allt som delas visar vem det kom från | Delade kodförråd och samarbetsbehörigheter |
| Skydd för delat innehåll | Det någon delar kommer fram som information, aldrig som instruktioner, så det kan inte styra en annan persons agent | Förlitar sig på agentens kontext och behörigheter |
| Kontroll och förtroende | ||
| Reglerna | Dina regler är en del av hur Duplex fungerar: de tillåter, avböjer eller begränsar verkliga åtgärder | Instruktioner och behörigheter formar agentens beteende |
| Regler som tillämpas före varje åtgärd | InbyggtHooks kontrollerar varje åtgärd mot dina regler innan den körs | Beror på Lettas körmiljö, behörigheter och verktygsvärd |
| Människor i loopen | En person bekräftar de åtgärder du väljer, och det Duplex lär sig kan granskas och ångras | Användare kan inspektera och hantera minne och färdigheter |
| En historik du kan kontrollera | En historik över varje beslut, var det kom ifrån och vad det ledde till, som inte kan ändras i det tysta | Beständiga konversationer, minne och agenttillstånd |
| Kvitton som du kan verifiera | Beslut, färdigheter och raderingar kan komma med kvitton som du kan verifiera | Versionerade minnen och färdigheter |
| Att ångra det inlärda, exakt | InbyggtEn inlärd ändring kan ångras exakt, utan att något behöver tränas om | Färdigheter och minnen kan redigeras eller rullas tillbaka via versioner |
| Glömska som når allt som byggts på det | Att ta bort något tar också bort det som kom från det: kontext, allt som delats från det och relaterad inlärning | Minne och färdigheter rensas via filer och versioner |
| Att hålla kunder åtskilda | Varje användare, team, organisation och kund hålls åtskilda, i varje integration och i allt den delar | Behörigheter i molnet och i egen drift |
| Var allt inlärt kom ifrån | För allt den har lärt sig kan du se dess källa, dess omfång och hur långt det går att lita på det | Minne och färdigheter förblir inspekterbara |
| Var den körs och vad den ansluter till | ||
| Vilken modelleverantör som helst | En intelligens för OpenAI, Anthropic, Google, AWS och kompatibla modeller | En agentmiljö som fungerar med vilken modell som helst |
| MCP | InbyggtVia MCP + hooks deltar Duplex i varje steg som dina agenter tar | Hostad MCP låter andra agenter skapa Letta-agenter med tillstånd och skicka meddelanden till dem |
| Hooks och tillägg | InbyggtTillägg för Claude, Codex, Cursor och Hermes, och hooks som tar in Duplex i varje steg och kontrollerar känsliga verktygsåtgärder | Integration via SDK, CLI och agentkörmiljö |
| Ditt moln, eller i egen drift | Vareon Cloud, eller ditt eget molnkonto: i egen drift, eller drivet åt dig av Vareon | Moln, och en appserver i egen drift |
| Kostnad, hastighet och passform | ||
| Hur den sänker modellkostnaden | Duplex besvarar bekant arbete själv, utan upprepade anrop till en spetsmodell | Bättre kontext och färdigheter förbättrar resultaten, men modellen körs fortfarande |
| Hur den sänker latensen | Beslut den är säker på kommer tillbaka snabbt; osäkert arbete går fortfarande till din spetsmodell | Bättre organiserad kontext kan minska bortkastat resonemang |
| Överlever en modelluppgradering | JaInlärning, kontext, uppgifter och regler stannar utanför varje enskild modell | JaMinne och färdigheter är medvetet oberoende av modellen |
| Kräver finjustering | NejFinjustering blir ett valfritt extra steg | Nej |
| Bäst för | Organisationer som behöver att deras AI-agenter lär sig, planerar, simulerar, beslutar och agerar inom regler, för arbetet vidare och blir bättre mellan modeller, som ett system | Team som bygger beständiga, självförbättrande agenter kring minne och färdigheter i tokenrymden |
De andra jämförelserna.
- Duplex och CopilotKit CLiFVerkliga arbetsflöden, omgjorda till färdigheter
- Duplex och Deeplake HivemindDelat minne för kodagenter
- Duplex och minnesplattformarMem0, Zep, AgentCore Memory, Supermemory
- Duplex och finjusteringFinjustering och förstärkningsbaserad finjustering
- Duplex och AI-gatewaysPortkey, LiteLLM och liknande
- Hela jämförelsenDuplex bredvid alla sex, sida vid sida
Se Duplex i ditt eget arbete.
Jämför där det räknas: en pilot sätter Duplex på ditt eget arbete, med mätetal som avtalas innan den börjar.