Wenn ein Forschungsteam eine Lernschicht in Betracht zieht, hat es seine KI in der Regel schon gewählt. Wissenschaftler haben den Assistenten, zu dem sie greifen, Plattform-Ingenieure haben Agenten und Pipelines um bestimmte Modelle herum gebaut, und die dazugehörigen Gewohnheiten haben Mühe gekostet. Eine Schicht, die alle bitten würde, auf ein neues Tool umzusteigen, würde damit beginnen, das Wohlwollen zu verspielen, das sie braucht.
MS Duplex ist darauf ausgelegt, sich an das Setup anzubinden, das du hast. Dieser Leitfaden behandelt die Zugänge, die zwei Arten von Verbindung und wie du zwischen ihnen wählst, die Entscheidungen, die du vor dem Anbinden treffen solltest, was sich danach im Arbeitsalltag deines Teams ändert und was deins bleibt.
Die Zugänge
Es gibt zwei Familien von Verbindungen, und viele Organisationen werden beide nutzen.
- Deine Assistenten. Claude, Codex, Cursor und andere Agenten, die MCP sprechen, verbinden sich direkt. MCP, das Model Context Protocol, ist der offene Standard, der KI-Agenten Tools zur Verfügung stellt, sodass ein Agent, der MCP spricht, MS Duplex erreichen kann. Deine Wissenschaftler und Ingenieure behalten die KI, die sie kennen.
- Deine eigenen Agenten und Pipelines. Die Forschungsagenten und Workflows, die dein Team gebaut hat, verbinden sich über die MS Duplex API und das Python SDK, mit demselben Lernen hinter jedem davon.
Hinter jeder Verbindung steht dieselbe Erfahrung. Angenommen, eine Wissenschaftlerin oder ein Ingenieur arbeitet in Cursor, ein Kollege in Claude, und das Plattformteam betreibt über das Python SDK eine wiederkehrende Screening-Pipeline. Eine Korrektur, die die Wissenschaftlerin in ihrem Assistenten macht, steht dem Agenten des Kollegen und der Pipeline zur Verfügung, soweit deine Regeln es erlauben, und ein Ergebnis, das die Pipeline bestätigt, steht beiden Assistenten zur Verfügung. Welcher Agent die Arbeit gemacht hat, zählt weniger als das, was die Arbeit bestätigt hat.
Deine Agenten greifen weiterhin über ihre eigenen Verbindungen auf deine Simulatoren, deinen Analysecode, deine Datenbanken und Messgeräte zu, und das Anbinden von MS Duplex lässt diese Verbindungen, wie sie sind. MS Duplex lernt, wie jedes Tool bei jeder Art von Problem abgeschnitten hat, und bringt diese Erfahrung in die nächste Wahl von Tool, Einstellung oder Methode ein.


Standardverbindung oder regelgesteuerte Verbindung
Jeder Agent verbindet sich auf eine von zwei Arten. Der Unterschied liegt darin, wie viel seiner Arbeit über MS Duplex läuft, bevor sie geschieht.
Standardverbindung
Dein Agent ruft MS Duplex auf, um relevante Erfahrung zurückzuholen, dem Plan zu folgen und die Ergebnisse festzuhalten, die du zulässt. Das ist der schnellste Einstieg. Der Agent stützt sich auf das, was dein Team bestätigt hat, deine Regeln und Präferenzen sind in seiner Begründung sichtbar, und die Ergebnisse, die du festhalten willst, werden zu Erfahrung für den nächsten Lauf.
Regelgesteuerte Verbindung
In unterstützten Umgebungen mit Hooks laufen die Schritte, die du auswählst, über MS Duplex, sodass deine Regeln gelten, bevor eine kostspielige Simulation oder ein Lauf beginnt. Dort wird ein Schritt, der gegen eine Regel verstößt, gestoppt, bevor er läuft, und die Schritte, die du für eine Freigabe markierst, etwa eine teure Simulation oder eine Änderung an gemeinsam genutzten Daten, warten auf eine Person. Jede Freigabe wird protokolliert, mit der Angabe, wer was freigegeben hat.
Ein sinnvoller Ausgangspunkt ist, mit einer Standardverbindung zu beginnen und eine regelgesteuerte dort hinzuzufügen, wo ein falscher Schritt teuer ist. Ein Team, dessen Agent vor allem Analysen prüft, ist mit der Standardverbindung womöglich gut bedient. Ein Team, dessen Agent kostspielige Läufe auf einem gemeinsamen Budget startet oder Daten bearbeitet, auf die sich andere verlassen, ist der Fall, für den die regelgesteuerte Verbindung gemacht wurde. Beide können in einer Organisation laufen, und ein Pilotprojekt nutzt die regelgesteuerte Verbindung dort, wo sie passt.
Entscheidungen vor dem Anbinden
Das Anbinden ist vor allem eine Frage von Entscheidungen, und diese Entscheidungen betreffen eher deine Forschung als Software. Kläre sie mit den Menschen, die es nutzen werden.
- Die Arbeit wählenWähle wiederkehrende Workflows, in denen sich Entscheidungen wiederholen und ein falscher oder unnötiger Lauf teuer ist, etwa Einstellungen für den nächsten Lauf empfehlen, Kandidaten ranken, Läufe planen oder Analysen prüfen. Hier wird eine Lektion am häufigsten wiederverwendet.
- Wähle die AgentenEntscheide, welche Assistenten und Pipelines für diese Arbeit angebunden werden und welche Personen sie nutzen. Verschiedene Gruppen können verschiedene KI nutzen, die alle auf dieselbe Erfahrung zurückgreifen.
- Wähle die VerbindungFür den Anfang eine Standardverbindung für die meisten Agenten, und in unterstützten Umgebungen eine regelgesteuerte für die Agenten, deren Schritte du prüfen lassen willst, bevor sie laufen.
- Lege fest, was als bestätigt giltMS Duplex lernt aus den Ergebnissen und Korrekturen, die du festhalten willst. Vereinbare, welche das sind: ein bestandener Test, eine Messung, eine freigegebene Schlussfolgerung, die Korrektur eines Experten mit ihrem Grund.
- Lege Regeln, Präferenzen und Freigaben festHalte fest, was dein Team verlangt, getrennt von dem, was es lieber tun würde, und wähle die Schritte aus, die auf eine Person warten. Eine Regel, die später hinzukommt, gilt ab der nächsten Anfrage, ohne dass etwas neu trainiert werden muss.
- Stimme das Setup mit deinem Sicherheitsteam abWo MS Duplex läuft und wie deine Daten behandelt werden, wird ab dem ersten Gespräch mit deinen Sicherheits- und Datenverantwortlichen abgestimmt.
Was dein Team anders macht: sehr wenig
Nach dem Anbinden arbeiten deine Wissenschaftler und Ingenieure weiter in dem Assistenten, den sie bereits nutzen, mit denselben Modellen und denselben Tools. Sie planen, führen durch, analysieren und schlagen den nächsten Schritt vor wie bisher. Das meiste, was sich ändert, geschieht neben ihnen, in dem, was die KI zu jeder Anfrage mitbringt.
Ein paar Gewohnheiten machen den Unterschied, und jede ist eine kleine Erweiterung dessen, was sorgfältige Forschungsteams bereits tun:
- Bestätige Ergebnisse dort, wo die Bestätigung zählt. Ein bestandener Test, eine Messung oder eine freigegebene Schlussfolgerung wird zu Erfahrung, mit der der nächste Lauf beginnt.
- Korrigiere den Agenten mit einer Begründung. Eine Korrektur, die sagt, warum, wird mit diesem Grund und den Bedingungen festgehalten, unter denen sie gilt, sodass sie den nächsten passenden Fall erreicht.
- Schau dir von Zeit zu Zeit an, was gelernt wurde. Jede Lektion behält ihre Quelle, und jede Person im Team kann sie einsehen, korrigieren, entfernen oder wiederherstellen.
Was das Team bemerkt, ist vor allem, was nicht mehr passiert. Eine neue Sitzung beginnt beim aktuellen Stand der Arbeit: dem Ziel, den Entscheidungen, den freigegebenen Methoden und dem Fortschritt, sodass niemand der KI das Projekt erneut erklärt. Der Agent eines Kollegen, auf einem anderen Modell, macht dort weiter, wo deiner aufgehört hat. Was funktioniert hat, wird zum Ersten, was die Agenten versuchen, und was gescheitert ist, wird nicht mehr vorgeschlagen. Die Korrektur eines Experten wird einmal gelernt und überall angewendet, wo sie passt, sodass Experten sich nicht mehr wiederholen müssen.
Angenommen, ein Team bindet seine Assistenten und eine Screening-Pipeline an. Früh korrigiert ein Experte das Ranking des Agenten, weil eine Bewertungsmethode jenseits einer bekannten Betriebsgrenze versagt, und hält fest, warum. In der nächsten Sitzung prüft der Agent diese Grenze, bevor er rankt. Wenn die Pipeline auf einen verwandten Fall trifft, holt MS Duplex die Korrektur mit ihrer Quelle zurück und zeigt, welche Bedingung abweicht. Niemand hat seine Arbeitsweise geändert. Die Agenten haben geändert, was sie prüfen.
Was deins bleibt
Eine Lernschicht an deine KI anzubinden, wirft eine berechtigte Frage nach dem Eigentum auf. Die Antwort umfasst drei Dinge.
- Deine Modelle. MS Duplex lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. Wechsle das Modell, den Client oder den Anbieter, und die Erfahrung, die dein Team aufgebaut hat, bleibt bei deinem Team. Nutze ein Modell für schwierige Analysen und ein anderes für wiederkehrende Arbeit, beide mit Zugriff auf dieselbe Erfahrung.
- Deine Tools. Deine Simulatoren, dein Analysecode, deine Datenbanken und Messgeräte bleiben, wie sie sind, werden von deinen Agenten über deren eigene Verbindungen erreicht und wirksamer genutzt, während MS Duplex lernt, wofür jedes davon gut ist.
- Deine Daten und deine Erfahrung. Bestätigte Ergebnisse, Korrekturen, Entscheidungen, Methoden und Pläne sammeln sich in einem Speicher, der deiner Organisation gehört. Persönliche, Team- und Organisationsebene entscheiden, wer was sieht, Menschen und Agenten erreichen nur, was ihr Bereich erlaubt, und nichts davon wird mit einem anderen Unternehmen geteilt.
Jeder Eintrag behält seine Quelle, in einer signierten Historie dessen, was gelernt, genutzt und freigegeben wurde, die dein Team prüfen und exportieren kann. Andere Forschende können eine Entscheidung anhand dieses Protokolls rekonstruieren, und jede einzelne Lektion lässt sich korrigieren oder entfernen, während alles andere bleibt, wie es war.


Häufige Fragen
Müssen unsere Wissenschaftler und Ingenieure ihre KI-Tools wechseln?
Nein. Claude, Codex, Cursor und andere Agenten, die MCP sprechen, verbinden sich direkt, und deine eigenen Agenten und Pipelines verbinden sich über die API und das Python SDK. Deine Wissenschaftler und Ingenieure behalten die KI, die sie bereits nutzen.
Was ist der Unterschied zwischen einer Standardverbindung und einer regelgesteuerten Verbindung?
Bei einer Standardverbindung ruft dein Agent MS Duplex auf, um relevante Erfahrung zurückzuholen, dem Plan zu folgen und die Ergebnisse festzuhalten, die du zulässt. Bei einer regelgesteuerten Verbindung laufen in unterstützten Umgebungen mit Hooks die Schritte, die du auswählst, über MS Duplex, sodass ein Schritt, der gegen eine Regel verstößt, gestoppt wird, bevor er läuft, und die Schritte, die du markierst, auf eine Freigabe warten.
Lernt MS Duplex aus allem, was unsere Agenten tun?
Es lernt aus den Ergebnissen und Expertenkorrekturen, die dein Team festhalten will. Jede Lektion behält ihre Quelle und die Bedingungen, unter denen sie gilt, und dein Team kann jede einzelne davon für sich korrigieren oder entfernen.
Können wir mehr als ein Modell anbinden?
Ja. Dein Team kann mehrere Modelle und Agenten gleichzeitig nutzen, die alle auf dieselbe Erfahrung zurückgreifen, und was eines bestätigt, steht den anderen nach deinen Regeln zur Verfügung. Wenn das Modell wechselt, kommt die Erfahrung mit.


Gebaut von MatterSpace
MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.









