Når et forskningsteam overvejer et læringslag, har det som regel allerede valgt sin AI. Forskerne har den assistent, de griber efter, platformingeniørerne har bygget agenter og pipelines omkring bestemte modeller, og de vaner, der følger med, har krævet indsats at opbygge. Et lag, der bad alle om at skifte til et nyt værktøj, ville starte med at bruge den goodwill, det har brug for.
MS Duplex er bygget til at blive koblet på den opsætning, du har. Denne guide dækker adgangsvejene, de to slags forbindelse og hvordan du vælger mellem dem, de beslutninger, du skal træffe, før du forbinder, hvad der ændrer sig i dit teams hverdag bagefter, og hvad der forbliver dit.
Adgangsvejene
Der findes to familier af forbindelser, og mange organisationer vil bruge begge.
- Dine assistenter. Claude, Codex, Cursor og andre agenter, der taler MCP, forbindes direkte. MCP, Model Context Protocol, er den åbne standard for at give AI-agenter værktøjer, så en agent, der taler den, kan nå MS Duplex. Dine forskere og ingeniører beholder den AI, de kender.
- Dine egne agenter og pipelines. De forskningsagenter og arbejdsgange, dit team har bygget, forbindes via MS Duplex-API’et og Python-SDK’et, med den samme læring bag hver enkelt.
Den samme erfaring ligger bag hver forbindelse. Lad os sige, at én forsker eller ingeniør arbejder i Cursor, en kollega arbejder i Claude, og platformteamet kører en tilbagevendende screeningpipeline via Python-SDK’et. En rettelse, den første forsker laver i sin assistent, er tilgængelig for kollegaens agent og for pipelinen, så vidt dine regler tillader det, og et resultat, som pipelinen bekræfter, er tilgængeligt for begge assistenter. Hvilken agent der udførte arbejdet, betyder mindre end det, arbejdet bekræftede.
Dine agenter når fortsat dine simulatorer, din analysekode, dine databaser og instrumenter via deres egne forbindelser, og tilkoblingen af MS Duplex lader de forbindelser være, som de er. MS Duplex lærer af, hvordan hvert værktøj klarede sig på hver slags problem, og tager den erfaring med til næste valg af værktøj, indstilling eller metode.


Standardforbindelse eller styret forbindelse
Hver agent forbindes på en af to måder. Forskellen er, hvor meget af dens arbejde der går gennem MS Duplex, før det sker.
Standardforbindelse
Din agent kalder MS Duplex for at hente relevant erfaring, følge planen og registrere de udfald, du tillader. Det er den hurtigste måde at komme i gang på. Agenten trækker på det, dit team har bekræftet, dine regler og præferencer er synlige i dens ræsonnement, og de udfald, du vælger at gemme, bliver til erfaring for næste kørsel.
Styret forbindelse
I understøttede miljøer med hooks går de trin, du vælger, gennem MS Duplex, så dine regler gælder, før en kostbar simulering eller kørsel begynder. Dér stoppes et trin, der bryder en regel, før det kører, og de trin, du markerer til godkendelse, såsom en dyr simulering eller en ændring af delte data, venter på en person. Hver godkendelse registreres med, hvem der godkendte hvad.
Et fornuftigt udgangspunkt er at starte med en standardforbindelse og tilføje en styret forbindelse, hvor et forkert trin er dyrt. Et team, hvis agent mest gennemgår analyser, kan være godt tjent med standardforbindelsen. Et team, hvis agent starter kostbare kørsler på et delt budget eller redigerer data, som andre er afhængige af, er det tilfælde, den styrede forbindelse er lavet til. Begge kan køre i én organisation, og et pilotprojekt bruger den styrede forbindelse, hvor den passer.
Beslutninger, du skal træffe, før du forbinder
Tilkobling er mest et spørgsmål om valg, og valgene handler mere om din forskning end om software. Afklar dem med de personer, der skal bruge den.
- Vælg arbejdetVælg tilbagevendende arbejdsgange, hvor beslutninger gentager sig, og hvor en forkert eller unødvendig kørsel er dyr, såsom at anbefale indstillinger til næste kørsel, rangere kandidater, planlægge kørsler eller gennemgå analyser. Det er dér, en lektie genbruges mest.
- Vælg agenterneBeslut, hvilke assistenter og pipelines der forbindes til det arbejde, og hvilke personer der bruger dem. Forskellige grupper kan bruge forskellig AI, der alle trækker på den samme erfaring.
- Vælg forbindelsenEn standardforbindelse til de fleste agenter i første omgang, og en styret forbindelse, i understøttede miljøer, til de agenter, hvis trin du vil have kontrolleret, før de kører.
- Beslut, hvad der tæller som bekræftetMS Duplex lærer af de udfald og rettelser, du vælger at gemme. Aftal, hvilke det er: en bestået test, en måling, en godkendt konklusion, en eksperts rettelse med begrundelsen.
- Sæt regler, præferencer og godkendelserRegistrer, hvad dit team kræver, adskilt fra det, det helst ville gøre, og vælg de trin, der venter på en person. En regel, der tilføjes senere, gælder fra næste forespørgsel, uden noget at gentræne.
- Aftal opsætningen med dit sikkerhedsteamHvor MS Duplex kører, og hvordan dine data håndteres, aftales med dine sikkerheds- og dataansvarlige fra første samtale.
Hvad dit team gør anderledes: meget lidt
Efter tilkoblingen arbejder dine forskere og ingeniører videre i den assistent, de allerede bruger, med de samme modeller og de samme værktøjer. De planlægger, kører, analyserer og foreslår næste trin, som de gjorde før. Det meste af det, der ændrer sig, sker ved siden af dem, i det, AI'en bringer til hver forespørgsel.
Nogle få vaner gør forskellen, og hver af dem er en lille udvidelse af det, omhyggelige forskningsteams allerede gør:
- Bekræft resultater, hvor bekræftelsen tæller. En bestået test, en måling eller en godkendt konklusion bliver til erfaring, som næste kørsel starter fra.
- Ret agenten med en begrundelse. En rettelse, der siger hvorfor, bevares med den begrundelse og de betingelser, den gælder under, så den når frem til det næste matchende tilfælde.
- Se en gang imellem på, hvad der er lært. Hver lektie bevarer sin kilde, og alle på teamet kan inspicere den, rette den, fjerne den eller gendanne den.
Det, teamet lægger mærke til, er mest det, der holder op med at ske. En ny session starter fra arbejdets aktuelle tilstand: målet, beslutningerne, de godkendte metoder og fremskridtet, så ingen skal genfortælle projektet for AI'en. En kollegas agent, på en anden model, fortsætter, hvor din slap. Det, der virkede, bliver det første, agenterne prøver, og det, der slog fejl, holder op med at blive foreslået. En eksperts rettelse læres én gang og anvendes, hvor den passer, så eksperter holder op med at gentage sig selv.
Lad os sige, at et team forbinder sine assistenter og én screeningpipeline. Tidligt i forløbet retter en ekspert agentens rangering, fordi en scoringsmetode svigter ud over en kendt driftsgrænse, og registrerer hvorfor. I næste session kontrollerer agenten den grænse, før den rangerer. Når pipelinen møder et beslægtet tilfælde, henter MS Duplex rettelsen frem med sin kilde og viser, hvilken betingelse der er anderledes. Ingen ændrede den måde, de arbejder på. Agenterne ændrede, hvad de kontrollerer.
Hvad der forbliver dit
At koble et læringslag på din AI rejser et rimeligt spørgsmål om ejerskab. Svaret dækker tre ting.
- Dine modeller. MS Duplex lærer ved siden af modellen, med dens vægte uændrede. Skift model, klient eller leverandør, og den erfaring, dit team har opbygget, bliver hos dit team. Brug én model til svære analyser og en anden til tilbagevendende arbejde, og lad begge trække på den samme erfaring.
- Dine værktøjer. Dine simulatorer, din analysekode, dine databaser og instrumenter forbliver, som de er, nås af dine agenter via deres egne forbindelser og bruges mere effektivt, efterhånden som MS Duplex lærer, hvad hvert enkelt er godt til.
- Dine data og din erfaring. Bekræftede resultater, rettelser, beslutninger, metoder og planer samler sig i et lager, din organisation ejer. Personlige lag, teamlag og organisationslag afgør, hvem der ser hvad, personer og agenter når kun det, deres adgangsområde tillader, og intet af det deles med en anden virksomhed.
Hvert element bevarer sin kilde i en signeret historik over, hvad der blev lært, brugt og godkendt, som dit team kan gennemgå og eksportere. En anden forsker kan genopbygge en beslutning ud fra den dokumentation, og enhver enkelt lektie kan rettes eller fjernes, mens alt andet forbliver, som det var.


Almindelige spørgsmål
Skal vores forskere og ingeniører skifte AI-værktøjer?
Nej. Claude, Codex, Cursor og andre agenter, der taler MCP, forbindes direkte, og dine egne agenter og pipelines forbindes via API’et og Python-SDK’et. Dine forskere og ingeniører beholder den AI, de allerede bruger.
Hvad er forskellen på en standardforbindelse og en styret forbindelse?
Med en standardforbindelse kalder din agent MS Duplex for at hente relevant erfaring, følge planen og registrere de udfald, du tillader. Med en styret forbindelse, i understøttede miljøer med hooks, går de trin, du vælger, gennem MS Duplex, så et trin, der bryder en regel, stoppes, før det kører, og de trin, du markerer, venter på godkendelse.
Lærer MS Duplex af alt, hvad vores agenter gør?
Den lærer af de udfald og ekspertkorrektioner, dit team vælger at gemme. Hver lektie bevarer sin kilde og de betingelser, den gælder under, og dit team kan rette eller fjerne hver enkelt af dem for sig.
Kan vi forbinde mere end én model?
Ja. Dit team kan bruge mere end én model og agent ad gangen, der alle trækker på den samme erfaring, og det, én bekræfter, er tilgængeligt for de andre under dine regler. Når modellen skifter, følger erfaringen med.


Bygget af MatterSpace
MatterSpace bygger MS Duplex til forskere, videnskabsfolk og ingeniører inden for alle fagområder, så den AI, de allerede bruger, lærer af hvert resultat, de bekræfter.









