Når et forskningsteam vurderer et læringslag, har det som regel allerede valgt KI. Forskerne har assistenten de bruker, plattformingeniørene har bygd agenter og arbeidsflyter rundt bestemte modeller, og vanene som følger med, tok tid å bygge opp. Et lag som ba alle gå over til et nytt verktøy, ville starte med å bruke opp den goodwillen det trenger.
MS Duplex er bygd for å kobles til oppsettet du har. Denne veiledningen tar for seg inngangene, de to typene tilkobling og hvordan du velger mellom dem, beslutningene du må ta før du kobler til, hva som endres i teamets hverdag etterpå og hva som forblir ditt.
Inngangene
Det finnes to familier av tilkoblinger, og mange organisasjoner vil bruke begge.
- Assistentene dine. Claude, Codex, Cursor og andre agenter som snakker MCP, kobles til direkte. MCP, Model Context Protocol, er den åpne standarden for å gi KI-agenter verktøy, så en agent som snakker den, kan nå MS Duplex. Forskerne og ingeniørene dine beholder KI-en de kjenner.
- Dine egne agenter og arbeidsflyter. Forskningsagentene og arbeidsflytene teamet ditt har bygd, kobles til via MS Duplex API og Python SDK, med den samme læringen bak hver av dem.
Den samme erfaringen ligger bak hver tilkobling. Si at én forsker eller ingeniør jobber i Cursor, en kollega jobber i Claude, og plattformteamet kjører en gjentakende screeningarbeidsflyt via Python SDK. En korreksjon den første forskeren gjør i assistenten sin, er tilgjengelig for kollegaens agent og for arbeidsflyten, så langt reglene dine tillater, og et resultat arbeidsflyten bekrefter, er tilgjengelig for begge assistentene. Hvilken agent som gjorde arbeidet, betyr mindre enn hva arbeidet bekreftet.
Agentene dine når fortsatt simulatorene, analysekoden, databasene og instrumentene dine gjennom sine egne tilkoblinger, og å koble til MS Duplex lar disse tilkoblingene være som de er. MS Duplex lærer av hvordan hvert verktøy presterte på hver type problem, og tar den erfaringen med til neste valg av verktøy, innstilling eller metode.


Standardtilkobling eller styrt tilkobling
Hver agent kobles til på én av to måter. Forskjellen er hvor mye av arbeidet dens som går gjennom MS Duplex før det skjer.
Standardtilkobling
Agenten din kaller MS Duplex for å hente relevant erfaring, følge planen og registrere utfallene du tillater. Det er den raskeste måten å starte på. Agenten henter fra det teamet ditt har bekreftet, reglene og preferansene dine er synlige i resonnementet dens, og utfallene du velger å fange opp, blir erfaring for neste kjøring.
Styrt tilkobling
I støttede miljøer med hooks går stegene du velger, gjennom MS Duplex, så reglene dine gjelder før en kostbar simulering eller kjøring starter. Der stoppes et steg som bryter en regel, før det kjøres, og stegene du merker for godkjenning, som en dyr simulering eller en endring i delte data, venter på en person. Hver godkjenning loggføres med hvem som godkjente hva.
Et fornuftig utgangspunkt er å starte med en standardtilkobling og legge til en styrt tilkobling der et feil steg er dyrt. Et team der agenten stort sett går gjennom analyser, kan være godt tjent med standardtilkoblingen. Et team der agenten starter kostbare kjøringer på et delt budsjett eller redigerer data andre er avhengige av, er det tilfellet den styrte tilkoblingen ble laget for. Begge kan kjøre i én organisasjon, og en pilot bruker den styrte tilkoblingen der den passer.
Beslutninger du må ta før du kobler til
Å koble til handler mest om valg, og valgene handler mer om forskningen din enn om programvare. Avklar disse med dem som skal bruke det.
- Velg arbeidetVelg gjentakende arbeidsflyter der beslutninger gjentar seg og en feil eller unødvendig kjøring er dyr, som å anbefale innstillinger for neste kjøring, rangere kandidater, planlegge kjøringer eller gå gjennom analyser. Det er der en lærdom blir gjenbrukt mest.
- Velg agenteneBestem hvilke assistenter og arbeidsflyter som kobles til for det arbeidet, og hvilke personer som bruker dem. Ulike grupper kan bruke ulik KI, og alle henter fra den samme erfaringen.
- Velg tilkoblingenEn standardtilkobling for de fleste agentene til å begynne med, og en styrt tilkobling, i støttede miljøer, for agentene der du vil at stegene skal kontrolleres før de kjøres.
- Bestem hva som teller som bekreftetMS Duplex lærer av utfallene og korreksjonene du velger å fange opp. Bli enige om hvilke det er: en bestått test, en måling, en godkjent konklusjon, en eksperts korreksjon med begrunnelse.
- Sett regler, preferanser og godkjenningerRegistrer det teamet ditt krever, atskilt fra det det helst vil gjøre, og velg stegene som skal vente på en person. En regel som legges til senere, gjelder fra neste forespørsel, uten at noe må trenes på nytt.
- Avtal oppsettet med sikkerhetsteamet dittHvor MS Duplex kjører og hvordan dataene dine håndteres, avtales med sikkerhets- og dataansvarlige hos dere fra første samtale.
Hva teamet ditt gjør annerledes: svært lite
Etter tilkoblingen fortsetter forskerne og ingeniørene dine å jobbe i assistenten de allerede bruker, med de samme modellene og de samme verktøyene. De planlegger, kjører, analyserer og foreslår neste steg slik de gjorde før. Det meste av det som endres, skjer ved siden av dem, i det KI-en tar med seg til hver forespørsel.
Noen få vaner utgjør forskjellen, og hver av dem er en liten utvidelse av det grundige forskningsteam allerede gjør:
- Bekreft resultater der bekreftelsen teller. En bestått test, en måling eller en godkjent konklusjon blir erfaring neste kjøring starter fra.
- Korriger agenten med en begrunnelse. En korreksjon som sier hvorfor, tas vare på med den begrunnelsen og betingelsene den gjelder under, så den når neste tilsvarende tilfelle.
- Se på hva som er lært, fra tid til annen. Hver lærdom beholder kilden sin, og alle på teamet kan inspisere den, korrigere den, fjerne den eller gjenopprette den.
Det teamet merker, er mest det som slutter å skje. En ny økt starter fra arbeidets nåværende tilstand: målet, beslutningene, de godkjente metodene og fremdriften, så ingen trenger å forklare prosjektet for KI-en på nytt. En kollegas agent, på en annen modell, fortsetter der din slapp. Det som fungerte, blir det første agentene prøver, og det som feilet, slutter å bli foreslått. En eksperts korreksjon læres én gang og brukes overalt der den passer, så ekspertene slutter å gjenta seg selv.
Si at et team kobler til assistentene sine og én screeningarbeidsflyt. Tidlig korrigerer en ekspert agentens rangering fordi en poengsettingsmetode svikter utenfor en kjent driftsgrense, og noterer hvorfor. I neste økt sjekker agenten den grensen før den rangerer. Når arbeidsflyten møter et beslektet tilfelle, henter MS Duplex frem korreksjonen med kilden sin og viser hvilken betingelse som er annerledes. Ingen endret måten de jobber på. Agentene endret hva de sjekker.
Hva som forblir ditt
Å koble et læringslag til KI-en din reiser et rimelig spørsmål om eierskap. Svaret dekker tre ting.
- Modellene dine. MS Duplex lærer ved siden av modellen, med vektene uendret. Bytt modell, klient eller leverandør, så blir erfaringen teamet ditt har bygd opp, hos teamet ditt. Bruk én modell til krevende analyser og en annen til gjentakende arbeid, begge med tilgang til den samme erfaringen.
- Verktøyene dine. Simulatorene, analysekoden, databasene og instrumentene dine forblir som de er, nås av agentene dine gjennom sine egne tilkoblinger og brukes mer effektivt etter hvert som MS Duplex lærer hva hvert av dem er godt for.
- Dataene dine og erfaringen din. Bekreftede resultater, korreksjoner, beslutninger, metoder og planer samler seg i et lager organisasjonen din eier. Lag for person, team og organisasjon avgjør hvem som ser hva, personer og agenter når bare det omfanget deres tillater, og ingenting av det deles med et annet selskap.
Hvert element beholder kilden sin, i en signert historikk over hva som ble lært, brukt og godkjent, som teamet ditt kan gå gjennom og eksportere. En annen forsker kan gjenskape en beslutning fra den loggen, og en enkelt lærdom kan korrigeres eller fjernes mens alt annet forblir som det var.


Vanlige spørsmål
Må forskerne og ingeniørene våre bytte KI-verktøy?
Nei. Claude, Codex, Cursor og andre agenter som snakker MCP, kobles til direkte, og dine egne agenter og arbeidsflyter kobles til via API og Python SDK. Forskerne og ingeniørene dine beholder KI-en de allerede bruker.
Hva er forskjellen mellom en standardtilkobling og en styrt tilkobling?
Med en standardtilkobling kaller agenten din MS Duplex for å hente relevant erfaring, følge planen og registrere utfallene du tillater. Med en styrt tilkobling, i støttede miljøer med hooks, går stegene du velger, gjennom MS Duplex, så et steg som bryter en regel, stoppes før det kjøres, og stegene du merker, venter på godkjenning.
Lærer MS Duplex av alt agentene våre gjør?
Den lærer av utfallene og ekspertkorreksjonene teamet ditt velger å fange opp. Hver lærdom beholder kilden sin og betingelsene den holder under, og teamet ditt kan korrigere eller fjerne hver enkelt av dem for seg.
Kan vi koble til mer enn én modell?
Ja. Teamet ditt kan bruke flere modeller og agenter samtidig, og alle henter fra den samme erfaringen, og det én bekrefter, er tilgjengelig for de andre under reglene dine. Når modellen byttes, blir erfaringen med.


Bygget av MatterSpace
MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.









