Forschungsteams wechseln oft das Modell. Ein neues Release schlussfolgert besser bei schwierigen Analysen, ein anderes Modell erledigt wiederkehrende Arbeit kostengünstiger, eine Gruppe wechselt von einem Assistenten zu einem anderen. Jeder Wechsel bringt etwas Nützliches, und jeder gefährdet, was das Team dem Modell beigebracht hat, das es hinter sich lässt.
Was ein Team seinem Modell beibringt, wird leicht unterschätzt, weil es sich still ansammelt: eine Korrektur, die ein Experte an einem Montag gemacht hat, eine Methode, die zwei Prüfer freigegeben haben, eine Betriebsgrenze, die über eine Reihe von Läufen bestätigt wurde. Dieser Beitrag handelt davon, wo diese Erfahrung liegen sollte, was an dem Tag passiert, an dem ein Team wechselt, und wie das, was du aufgebaut hast, dein Eigentum bleibt.
Was dein Team mit seiner KI aufbaut
Jede Sitzung mit einem Forschungsagenten liefert mehr als eine Antwort. Manches davon lohnt sich zu behalten, weil es Expertenzeit, Rechenleistung oder Laborzeit gekostet hat, es zu ermitteln. In MS Duplex baut sich Folgendes auf, während dein Team arbeitet:
- Ergebnisse, die das Team bestätigt hat, jeweils mit den Bedingungen, unter denen sie gelten
- Korrekturen deiner Experten, jeweils mit dem Grund dahinter
- Entscheidungen, mit den Belegen, auf denen sie beruhten
- Methoden, die das Team verifiziert hat und die Agenten wiederverwenden und anpassen
- Pläne, Checkpoints und Fortschritt bei langen Kampagnen
- Welche Tools bei welcher Art von Problem funktioniert haben
In den meisten Setups verschwindet fast all das, wenn eine Sitzung endet. Das Transkript wird vielleicht irgendwo gespeichert, aber die nächste Sitzung beginnt nicht damit, und das nächste Modell hat es nicht gesehen. In MS Duplex sammelt es sich zu einem Bestand an, der deiner Organisation gehört, jedes Element neben seiner Quelle, bereit für die Sitzung, den Agenten oder das Modell, das die Arbeit als Nächstes aufnimmt.


Warum die Erfahrung neben dem Modell liegen sollte
Teams bewahren, was sie ihrer KI beigebracht haben, an einigen gängigen Orten auf, und jeder hat seinen Nutzen. Fine-Tuning baut Wissen durch einen Trainingslauf auf einem vorbereiteten Datensatz in die Gewichte eines einzelnen Modells ein. Es eignet sich gut, um zu verändern, was ein Modell insgesamt weiß. Das Wissen, das es hinzufügt, gehört allerdings zu diesem Modell, und wenn das nächste Release kommt, muss die Arbeit dafür erneut gemacht werden.
Instruktionsdateien und Prompt-Bibliotheken lassen sich leichter mitnehmen, und viele Teams führen eine für jedes Tool, das sie nutzen. Sie enthalten, was jemand aufgeschrieben hat, wachsen tendenziell mit jedem Modell, das das Team einführt, und jemand muss jede Kopie mit der Forschung auf dem gleichen Stand halten.
MS Duplex hält die Erfahrung neben dem Modell fest, dessen Gewichte bleiben, wie sie sind. Ein bestätigtes Ergebnis oder eine Expertenkorrektur wird einmal gelernt, mit den zugehörigen Belegen und Bedingungen festgehalten und jedem Modell angeboten, das das Team gerade nutzt. Ein Modellwechsel ändert, was über die Erfahrung schlussfolgert. Die Erfahrung selbst bleibt, wo sie war.
Diese Trennung zählt am meisten, wenn ein Team ein Upgrade abwägt. Ist die Erfahrung an ein Modell gebunden, hat ein Team einen Grund, auch dann dabei zu bleiben, wenn ein besseres erscheint, denn ein Wechsel würde kosten, was der Aufbau gekostet hat. Liegt die Erfahrung neben dem Modell, kann ein Team ein neues Release nach seinem Nutzen für die anstehende Arbeit beurteilen.
Was am Tag des Wechsels passiert
Angenommen, der Agent eines Teams plant seit einiger Zeit Läufe und prüft Analysen in einem langen Projekt. Experten haben ihn mehrmals korrigiert, das Team hat zwei Methoden freigegeben, und der Plan hat seinen dritten Checkpoint erreicht. Ein neues Modell erscheint, das das Team für seine schwierigsten Analysen nutzen will. Der Wechsel läuft so ab.
- Das Team wechselt das ModellDer Agent wechselt auf das neue Modell, oder das Team wechselt zu einem anderen Assistenten: Claude, Codex, Cursor, einem anderen Agenten, der MCP spricht, oder seinem eigenen Agenten, gebaut auf der API und dem Python SDK. Die Erfahrung in MS Duplex bleibt vom Wechsel unberührt.
- Die erste Anfrage stützt sich auf das, was das Team aufgebaut hatSchon die erste Anfrage des neuen Modells hat die Korrekturen, die bestätigten Ergebnisse und die freigegebenen Methoden griffbereit, jeweils mit ihrer Quelle.
- Der Plan macht an seinem Checkpoint weiterDas Ziel, die bisherigen Entscheidungen und der Fortschritt werden übernommen, sodass der Agent am dritten Checkpoint weitermacht und niemand das Projekt neu erklären muss.
- Methoden werden dort geprüft, wo sie genutzt werdenAuch das neue Modell wendet die freigegebenen Methoden an, und jede wird dort, wo sie genutzt wird, erneut verifiziert. Wo ein Fall von den Bedingungen abweicht, unter denen eine Lektion bestätigt wurde, sagt MS Duplex das.
- Neue Ergebnisse fließen in dieselbe Erfahrung einWas das Team bei der Arbeit mit dem neuen Modell bestätigt, wird mit seiner Quelle festgehalten, neben allem, was vorher kam, bereit für jedes Modell, das das Team als Nächstes nutzt.
Für das neue Modell muss nichts neu trainiert werden, denn die Erfahrung des Teams liegt in MS Duplex, neben dem Modell. Die Arbeit des Teams am Tag des Wechsels besteht darin, das Modell auszuwählen. Die Erfahrung kommt mit, jede Quelle festgehalten.
Das richtige Modell für jede Aufgabe
Die Freiheit zu wechseln bedeutet auch die Freiheit, mehr als ein Modell gleichzeitig zu nutzen. Aufgaben unterscheiden sich. Ein Modell schlussfolgert vielleicht am besten bei einer schwierigen Analyse, ein anderes eignet sich für wiederkehrende Arbeit zu geringeren Kosten, und ein Team sollte beide im selben Projekt nutzen dürfen.
Wenn die Erfahrung in MS Duplex liegt, schöpft jedes Modell aus demselben Bestand. Eine sinnvolle Möglichkeit, die Arbeit aufzuteilen:
- Wiederkehrende Entscheidungen, etwa Einstellungen für den nächsten Lauf empfehlen oder Kandidaten nach vereinbarten Kriterien ranken, auf einem Modell, das nach Kosten ausgewählt wurde
- Schwierige Analysen und unbekannte Fälle auf dem Modell, dem dein Team beim sorgfältigen Schlussfolgern am meisten vertraut
- Prüfungen von Analysen und Designs in dem Assistenten, den deine Prüfer bevorzugen
- Deine eigenen Agenten und Pipelines, über die API und das Python SDK, jeweils auf dem Modell, das zu ihrer Aufgabe passt
Was eines der Modelle bestätigt, steht dem anderen zur Verfügung. Eine Korrektur, die ein Experte bei einer Prüfung mit einem Modell macht, gilt, wenn das andere Modell auf einen passenden Fall trifft. Eine Methode, die bei schwierigen Analysen verifiziert wurde, steht für wiederkehrende Arbeit bereit und wird dort, wo sie genutzt wird, erneut verifiziert.
Kollegen erhalten dieselbe Freiheit. Die Agenten, die du autorisierst, greifen auf dieselbe Erfahrung zu, sodass jemand, der einen anderen Assistenten bevorzugt, dort beginnt, wo der Rest des Teams aufgehört hat, und der Agent eines Kollegen Arbeit übernehmen kann, die deiner begonnen hat.


Was du aufgebaut hast, bleibt deins
Die Erfahrung, die ein Team mit MS Duplex aufbaut, gehört seiner Organisation, egal welches Modell oder welchen Anbieter es nutzt. Sie liegt in einem Speicher, der deiner Organisation gehört, und deine Regeln entscheiden, welche Menschen und Agenten darauf zugreifen können. Menschen und Agenten sehen nur, was ihr Bereich erlaubt, und Berechtigungen bleiben unter deiner Kontrolle.
Sie bleibt so organisiert wie deine Organisation. Alle Forschenden, jedes Team und die Organisation haben ihre eigene Ebene: Die Arbeitsgewohnheiten einzelner Wissenschaftler und Ingenieure bleiben persönlich, was ein Team bestätigt, wird mit diesem Team geteilt, und was die Organisation als Standard übernimmt, gilt überall. Deine Regeln entscheiden, was zwischen den Ebenen wandert, und nichts davon wird mit einem anderen Unternehmen geteilt. Ein Modellwechsel lässt all das, wie es war.
Sie bleibt auch überprüfbar. Jedes Element behält seine Quelle, sodass dein Team bei einer Empfehlung eines neuen Modells sehen kann, auf welche Lektionen es sich gestützt hat und woher jede stammt. Die Historie dessen, was gelernt, genutzt und freigegeben wurde, ist signiert und exportbereit. Stellt sich eine Lektion als falsch heraus, korrigiert oder entfernt dein Team diese eine Lektion, und die Änderung gilt für jedes Modell, das das Team nutzt.
Häufige Fragen
Womit beginnt ein neues Modell?
Mit allem, was dein Team in MS Duplex aufgebaut hat: bestätigten Ergebnissen mit ihren Bedingungen, Expertenkorrekturen mit ihren Gründen, Entscheidungen mit ihren Belegen, verifizierten Methoden, Plänen und Fortschritt sowie dem, was das Team über seine Tools gelernt hat. Jedes Element behält seine Quelle.
Zwischen welchen Assistenten und Agenten können wir wechseln?
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. Dein Team kann mehrere gleichzeitig nutzen, alle mit Zugriff auf dieselbe Erfahrung.
Funktioniert MS Duplex neben einem feinabgestimmten Modell?
Ja. Es funktioniert neben einem feinabgestimmten Modell ebenso wie neben einem allgemeinen und lässt beide aus deiner Arbeit lernen. Wenn dein Team ein Modell für eine Aufgabe feinabstimmt, steht die Erfahrung in MS Duplex diesem Modell zur Verfügung und auch dem nächsten Release.
Wem gehört die Erfahrung, die unser Team aufbaut?
Deiner Organisation, egal welches Modell oder welchen Anbieter du nutzt. Deine Regeln entscheiden, welche Menschen und Agenten darauf zugreifen können, und die signierte Historie dessen, was gelernt, genutzt und freigegeben wurde, lässt sich exportieren.


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.









