Quando un team di ricerca prende in considerazione un livello di apprendimento, di solito ha già scelto la sua IA. Gli scienziati hanno l’assistente a cui ricorrono, gli ingegneri di piattaforma hanno costruito agenti e pipeline attorno a modelli specifici, e le abitudini che ne derivano hanno richiesto impegno per formarsi. Un livello che chiedesse a tutti di passare a un nuovo strumento comincerebbe consumando la buona disposizione di cui ha bisogno.
MS Duplex è costruito per collegarsi alla configurazione che hai. Questa guida illustra le vie di accesso, i due tipi di connessione e come scegliere tra loro, le decisioni da prendere prima del collegamento, cosa cambia in seguito nella giornata del tuo team e cosa resta tuo.
Le vie di accesso
Esistono due famiglie di connessione, e molte organizzazioni le useranno entrambe.
- I tuoi assistenti. Claude, Codex, Cursor e gli altri agenti compatibili con MCP si collegano direttamente. MCP, il Model Context Protocol, è lo standard aperto per dare strumenti agli agenti IA, quindi un agente compatibile con MCP può raggiungere MS Duplex. I tuoi scienziati e ingegneri mantengono l’IA che conoscono.
- I tuoi agenti e le tue pipeline. Gli agenti di ricerca e i flussi di lavoro costruiti dal tuo team si collegano tramite l’API e il Python SDK di MS Duplex, con lo stesso apprendimento dietro ciascuno.
La stessa esperienza sta dietro ogni connessione. Supponiamo che una scienziata o un ingegnere lavori in Cursor, un collega lavori in Claude e il team di piattaforma esegua una pipeline di screening ricorrente tramite il Python SDK. Una correzione che la prima scienziata fa nel suo assistente è disponibile per l’agente del collega e per la pipeline, nei limiti consentiti dalle tue regole, e un risultato che la pipeline conferma è disponibile per entrambi gli assistenti. Conta meno quale agente ha svolto il lavoro che ciò che il lavoro ha confermato.
I tuoi agenti continuano a raggiungere i tuoi simulatori, il codice di analisi, i database e la strumentazione tramite le proprie connessioni, e collegare MS Duplex lascia quelle connessioni come sono. MS Duplex impara come ha funzionato ogni strumento su ogni tipo di problema e porta quell’esperienza alla scelta successiva di strumento, impostazione o metodo.


Connessione standard o governata
Ogni agente si collega in uno di due modi. La differenza sta in quanta parte del suo lavoro passa attraverso MS Duplex prima che avvenga.
Connessione standard
Il tuo agente chiama MS Duplex per recuperare l’esperienza pertinente, seguire il piano e registrare gli esiti che consenti. È il modo più rapido per iniziare. L’agente attinge a ciò che il tuo team ha confermato, le tue regole e preferenze sono visibili nel suo ragionamento, e gli esiti che scegli di registrare diventano esperienza per l’esecuzione successiva.
Connessione governata
Negli ambienti supportati che dispongono di hook, i passaggi che selezioni passano attraverso MS Duplex, così le tue regole si applicano prima che inizi una simulazione o un’esecuzione costosa. Lì, un passaggio che viola una regola viene fermato prima di essere eseguito, e i passaggi che contrassegni per l’approvazione, come una simulazione costosa o una modifica a dati condivisi, attendono una persona. Ogni approvazione viene registrata con chi ha approvato cosa.
Una scelta predefinita sensata è partire con una connessione standard e aggiungerne una governata dove un passaggio sbagliato è costoso. Un team il cui agente esamina soprattutto analisi può trovarsi bene con la connessione standard. Un team il cui agente avvia esecuzioni costose su un budget condiviso, o modifica dati su cui altri fanno affidamento, è il caso per cui è stata pensata la connessione governata. Entrambe possono funzionare in un’unica organizzazione, e un progetto pilota usa la connessione governata dove è adatta.
Decisioni da prendere prima del collegamento
Collegarsi è soprattutto una questione di scelte, e le scelte riguardano la tua ricerca più che il software. Definiscile con le persone che lo useranno.
- Scegli il lavoroScegli flussi di lavoro ricorrenti in cui le decisioni si ripetono e un’esecuzione sbagliata o superflua è costosa, come raccomandare le impostazioni per l’esecuzione successiva, classificare candidati, pianificare esecuzioni o esaminare analisi. È lì che una lezione viene riutilizzata di più.
- Scegli gli agentiDecidi quali assistenti e pipeline si collegano per quel lavoro, e quali persone li usano. Gruppi diversi possono usare IA diverse, attingendo tutti alla stessa esperienza.
- Scegli la connessioneUna connessione standard per la maggior parte degli agenti all’inizio, e una governata, negli ambienti supportati, per gli agenti i cui passaggi vuoi far controllare prima che vengano eseguiti.
- Decidi cosa conta come confermatoMS Duplex impara dagli esiti e dalle correzioni che scegli di registrare. Concorda quali sono: un test superato, una misura, una conclusione approvata, la correzione di un esperto con il suo motivo.
- Imposta regole, preferenze e approvazioniRegistra ciò che il tuo team richiede separatamente da ciò che preferirebbe fare, e seleziona i passaggi che attendono una persona. Una regola aggiunta in seguito si applica dalla richiesta successiva, senza nulla da riaddestrare.
- Concorda la configurazione con il tuo team di sicurezzaDove viene eseguito MS Duplex e come vengono trattati i tuoi dati si concorda con i tuoi responsabili della sicurezza e dei dati fin dal primo colloquio.
Cosa fa di diverso il tuo team: molto poco
Dopo il collegamento, i tuoi scienziati e ingegneri continuano a lavorare nell’assistente che usano già, con gli stessi modelli e gli stessi strumenti. Pianificano, eseguono, analizzano e propongono il passo successivo come prima. Quasi tutto ciò che cambia avviene accanto a loro, in ciò che l’IA porta a ogni richiesta.
Poche abitudini fanno la differenza, e ognuna è una piccola estensione di ciò che i team di ricerca attenti fanno già:
- Conferma i risultati dove la conferma conta. Un test superato, una misura o una conclusione approvata diventa esperienza da cui parte l’esecuzione successiva.
- Correggi l’agente spiegando il motivo. Una correzione che dice perché viene conservata con quel motivo e con le condizioni in cui si applica, così raggiunge il successivo caso corrispondente.
- Ogni tanto guarda cosa è stato appreso. Ogni lezione conserva la sua fonte, e chiunque nel team può esaminarla, correggerla, rimuoverla o ripristinarla.
Ciò che il team nota è soprattutto ciò che smette di succedere. Una nuova sessione parte dallo stato attuale del lavoro: l’obiettivo, le decisioni, i metodi approvati e l’avanzamento, così nessuno deve rispiegare il progetto all’IA. L’agente di un collega, su un modello diverso, riprende da dove il tuo si era fermato. Ciò che ha funzionato diventa la prima cosa che gli agenti provano, e ciò che è fallito smette di essere proposto. La correzione di un esperto viene appresa una volta e applicata ovunque sia pertinente, così gli esperti smettono di ripetersi.
Supponiamo che un team colleghi i suoi assistenti e una pipeline di screening. All’inizio, un esperto corregge la classifica dell’agente perché un metodo di punteggio fallisce oltre un limite operativo noto, e ne registra il motivo. Nella sessione successiva, l’agente controlla quel limite prima di classificare. Quando la pipeline incontra un caso affine, MS Duplex recupera la correzione con la sua fonte e mostra quale condizione differisce. Nessuno ha cambiato il proprio modo di lavorare. Gli agenti hanno cambiato ciò che controllano.
Cosa resta tuo
Collegare un livello di apprendimento alla tua IA solleva una domanda legittima sulla proprietà. La risposta riguarda tre cose.
- I tuoi modelli. MS Duplex impara accanto al modello, lasciandone invariati i pesi. Cambia il modello, il client o il fornitore, e l’esperienza costruita dal tuo team resta al tuo team. Usa un modello per le analisi difficili e un altro per il lavoro ricorrente, entrambi attingendo alla stessa esperienza.
- I tuoi strumenti. I tuoi simulatori, il codice di analisi, i database e la strumentazione restano come sono, raggiunti dai tuoi agenti tramite le proprie connessioni e usati in modo più efficace man mano che MS Duplex impara in cosa è bravo ciascuno.
- I tuoi dati e la tua esperienza. Risultati confermati, correzioni, decisioni, metodi e piani si accumulano in un archivio di proprietà della tua organizzazione. I livelli personale, di team e di organizzazione decidono chi vede cosa, persone e agenti accedono solo a ciò che il loro ambito consente, e nulla di tutto ciò viene condiviso con un’altra azienda.
Ogni elemento conserva la sua fonte, in una cronologia firmata di ciò che è stato appreso, usato e approvato, che il tuo team può esaminare ed esportare. Un altro ricercatore può ricostruire una decisione da quella documentazione, e qualsiasi singola lezione può essere corretta o rimossa mentre tutto il resto rimane com’era.


Domande frequenti
I nostri scienziati e ingegneri devono cambiare strumenti di IA?
No. Claude, Codex, Cursor e gli altri agenti compatibili con MCP si collegano direttamente, e i tuoi agenti e le tue pipeline si collegano tramite l’API e il Python SDK. I tuoi scienziati e ingegneri continuano a usare l’IA che usano già.
Qual è la differenza tra una connessione standard e una governata?
Con una connessione standard, il tuo agente chiama MS Duplex per recuperare l’esperienza pertinente, seguire il piano e registrare gli esiti che consenti. Con una connessione governata, negli ambienti supportati che dispongono di hook, i passaggi che selezioni passano attraverso MS Duplex, così un passaggio che viola una regola viene fermato prima di essere eseguito e i passaggi che contrassegni attendono l’approvazione.
MS Duplex impara da tutto ciò che fanno i nostri agenti?
Impara dagli esiti e dalle correzioni degli esperti che il tuo team sceglie di registrare. Ogni lezione conserva la sua fonte e le condizioni in cui vale, e il tuo team può correggerne o rimuoverne una qualsiasi singolarmente.
Possiamo collegare più di un modello?
Sì. Il tuo team può usare più modelli e agenti alla volta, tutti attingendo alla stessa esperienza, e ciò che uno conferma è disponibile per gli altri secondo le tue regole. Quando il modello cambia, l’esperienza lo segue.


Costruito da MatterSpace
MatterSpace costruisce MS Duplex per scienziati, ricercatori e ingegneri di ogni campo, perché l’IA che già usano impari da ogni risultato che confermano.









