När ett forskningsteam överväger ett inlärningslager har det oftast redan valt sin AI. Forskarna har den assistent de vänder sig till, plattformsingenjörerna har byggt agenter och pipelines kring vissa modeller, och vanorna som hör till dem tog möda att forma. Ett lager som bad alla att byta till ett nytt verktyg skulle börja med att förbruka den välvilja det behöver.
MS Duplex är byggd för att kopplas in i den uppsättning du har. Den här guiden går igenom vägarna in, de två typerna av anslutning och hur du väljer mellan dem, de beslut du ska fatta innan du ansluter, vad som förändras i ditt teams vardag efteråt och vad som förblir ditt.
Vägarna in
Det finns två familjer av anslutningar, och många organisationer kommer att använda båda.
- Dina assistenter. Claude, Codex, Cursor och andra agenter som talar MCP ansluter direkt. MCP, Model Context Protocol, är den öppna standarden för att ge AI-agenter verktyg, så en agent som talar det kan nå MS Duplex. Dina forskare och ingenjörer behåller den AI de känner.
- Dina egna agenter och pipelines. De forskningsagenter och arbetsflöden som ditt team har byggt ansluter via MS Duplex API och Python SDK, med samma inlärning bakom vart och ett.
Samma erfarenhet finns bakom varje anslutning. Säg att en forskare eller ingenjör arbetar i Cursor, en kollega arbetar i Claude och plattformsteamet kör en återkommande screeningpipeline via Python SDK. En korrigering som den första forskaren gör i sin assistent finns tillgänglig för kollegans agent och för pipelinen, så långt dina regler tillåter, och ett resultat som pipelinen bekräftar finns tillgängligt för båda assistenterna. Vilken agent som gjorde arbetet spelar mindre roll än vad arbetet bekräftade.
Dina agenter fortsätter att nå dina simulatorer, din analyskod, dina databaser och dina instrument via sina egna anslutningar, och när du ansluter MS Duplex lämnas de anslutningarna som de är. MS Duplex lär sig av hur varje verktyg presterade på varje typ av problem och tar med den erfarenheten till nästa val av verktyg, inställning eller metod.


Standardanslutning eller styrd anslutning
Varje agent ansluter på ett av två sätt. Skillnaden är hur mycket av dess arbete som passerar genom MS Duplex innan det sker.
Standardanslutning
Din agent anropar MS Duplex för att hämta relevant erfarenhet, följa planen och registrera de utfall du tillåter. Det är det snabbaste sättet att komma igång. Agenten hämtar ur det som ditt team har bekräftat, dina regler och preferenser syns i dess resonemang, och de utfall du väljer att fånga blir erfarenhet för nästa körning.
Styrd anslutning
I miljöer som stöds och har hooks passerar de steg du väljer genom MS Duplex, så att dina regler gäller innan en kostsam simulering eller körning börjar. Där stoppas ett steg som bryter mot en regel innan det körs, och de steg du markerar för godkännande, till exempel en dyr simulering eller en ändring av delade data, väntar på en person. Varje godkännande registreras med vem som godkände vad.
En rimlig utgångspunkt är att börja med en standardanslutning och lägga till en styrd där ett felaktigt steg är dyrt. Ett team vars agent mest granskar analyser kan vara väl betjänt av standardanslutningen. Ett team vars agent startar kostsamma körningar på en delad budget, eller redigerar data som andra förlitar sig på, är det fall som den styrda anslutningen gjordes för. Båda kan användas i samma organisation, och en pilot använder den styrda anslutningen där den passar.
Beslut att fatta innan du ansluter
Att ansluta handlar mest om val, och valen gäller din forskning mer än programvaran. Bestäm dem tillsammans med de personer som ska använda den.
- Välj arbetetVälj återkommande arbetsflöden där besluten upprepas och en felaktig eller onödig körning är dyr, till exempel att rekommendera inställningar för nästa körning, rangordna kandidater, planera körningar eller granska analyser. Det är där en lärdom återanvänds mest.
- Välj agenternaBestäm vilka assistenter och pipelines som ansluts för det arbetet, och vilka personer som använder dem. Olika grupper kan använda olika AI, som alla hämtar ur samma erfarenhet.
- Välj anslutningenEn standardanslutning för de flesta agenter till att börja med, och en styrd, i miljöer som stöds, för de agenter vars steg du vill ha kontrollerade innan de körs.
- Bestäm vad som räknas som bekräftatMS Duplex lär sig av de utfall och korrigeringar du väljer att fånga. Kom överens om vilka det är: ett godkänt test, en mätning, en godkänd slutsats, en experts korrigering med sitt skäl.
- Sätt regler, preferenser och godkännandenRegistrera det som ditt team kräver åtskilt från det som det hellre vill göra, och välj de steg som ska vänta på en person. En regel som läggs till senare gäller från och med nästa begäran, utan något att träna om.
- Kom överens med ditt säkerhetsteam om konfigurationenVar MS Duplex körs och hur dina data hanteras kommer vi överens om med dina säkerhets- och dataansvariga från första samtalet.
Vad ditt team gör annorlunda: väldigt lite
Efter anslutningen fortsätter dina forskare och ingenjörer att arbeta i den assistent de redan använder, med samma modeller och samma verktyg. De planerar, kör, analyserar och föreslår nästa steg som tidigare. Det mesta av det som förändras sker bredvid dem, i det som AI:n tar med till varje begäran.
Några vanor gör skillnaden, och var och en är en liten utvidgning av det som noggranna forskningsteam redan gör:
- Bekräfta resultat där bekräftelsen räknas. Ett godkänt test, en mätning eller en godkänd slutsats blir erfarenhet som nästa körning utgår från.
- Korrigera agenten med ett skäl. En korrigering som säger varför sparas med det skälet och de förhållanden den gäller under, så att den når nästa fall som matchar.
- Titta då och då på vad som har lärts in. Varje lärdom behåller sin källa, och vem som helst i teamet kan granska den, korrigera den, ta bort den eller återställa den.
Det teamet märker är mest det som slutar hända. En ny session börjar från arbetets aktuella läge: målet, besluten, de godkända metoderna och framstegen, så ingen behöver återberätta projektet för AI:n. En kollegas agent, på en annan modell, tar vid där din slutade. Det som fungerade blir det första agenterna provar, och det som misslyckades slutar föreslås. En experts korrigering lärs in en gång och tillämpas där den passar, så experter slipper upprepa sig.
Säg att ett team ansluter sina assistenter och en screeningpipeline. Tidigt korrigerar en expert agentens rangordning eftersom en poängsättningsmetod misslyckas bortom en känd driftgräns, och registrerar varför. I nästa session kontrollerar agenten den gränsen innan den rangordnar. När pipelinen stöter på ett närliggande fall hämtar MS Duplex korrigeringen med dess källa och visar vilket förhållande som skiljer sig. Ingen ändrade sitt sätt att arbeta. Agenterna ändrade vad de kontrollerar.
Vad som förblir ditt
Att koppla in ett inlärningslager i din AI väcker en rimlig fråga om ägarskap. Svaret omfattar tre saker.
- Dina modeller. MS Duplex lär sig bredvid modellen, vars vikter lämnas som de är. Byt modell, klient eller leverantör, och erfarenheten som ditt team byggt upp stannar hos ditt team. Använd en modell för svåra analyser och en annan för återkommande arbete, och låt båda hämta ur samma erfarenhet.
- Dina verktyg. Dina simulatorer, din analyskod, dina databaser och dina instrument förblir som de är, nås av dina agenter via deras egna anslutningar och används mer effektivt i takt med att MS Duplex lär sig vad vart och ett är bra på.
- Dina data och din erfarenhet. Bekräftade resultat, korrigeringar, beslut, metoder och planer samlas i ett arkiv som din organisation äger. Lager för person, team och organisation avgör vem som ser vad, människor och agenter når bara det som deras behörighet tillåter, och inget av det delas med något annat företag.
Varje post behåller sin källa, i en signerad historik över vad som lärts in, använts och godkänts som ditt team kan granska och exportera. En annan forskare kan återskapa ett beslut utifrån den historiken, och en enskild lärdom kan korrigeras eller tas bort medan allt annat förblir som det var.


Vanliga frågor
Måste våra forskare och ingenjörer byta AI-verktyg?
Nej. Claude, Codex, Cursor och andra agenter som talar MCP ansluter direkt, och dina egna agenter och pipelines ansluter via API och Python SDK. Dina forskare och ingenjörer behåller den AI som de redan använder.
Vad är skillnaden mellan en standardanslutning och en styrd anslutning?
Med en standardanslutning anropar din agent MS Duplex för att hämta relevant erfarenhet, följa planen och registrera de utfall du tillåter. Med en styrd anslutning, i miljöer som stöds och har hooks, passerar de steg du väljer genom MS Duplex, så att ett steg som bryter mot en regel stoppas innan det körs och de steg du markerar väntar på godkännande.
Lär sig MS Duplex av allt som våra agenter gör?
Den lär sig av de utfall och expertkorrigeringar som ditt team väljer att fånga. Varje lärdom behåller sin källa och de förhållanden den gäller under, och ditt team kan korrigera eller ta bort vilken som helst av dem för sig.
Kan vi ansluta mer än en modell?
Ja. Ditt team kan använda mer än en modell och agent åt gången, som alla hämtar ur samma erfarenhet, och det som en bekräftar finns tillgängligt för de andra enligt dina regler. När modellen byts följer erfarenheten med.


Byggt av MatterSpace
MatterSpace bygger MS Duplex för forskare, vetenskapare och ingenjörer inom alla fält, så att den AI de redan använder lär sig av varje resultat de bekräftar.









