Премини към основното съдържание
Български— Изберете език
Меню

Многократни разговори с previous_response_id

Урок 13 от 14 Обновен 29 юли 2026 г. Програмист
На тази страница
  1. Прецизиране на търсенето стъпка по стъпка
  2. Верижно свързване на заявки с previous_response_id
  3. Три начина за провеждане на сесия
  4. Същото със xAI SDK
  5. Кога да спрете сесията
  6. Ключови изводи

Прецизиране на търсенето стъпка по стъпка

Може би си представяте мулти-агентните системи като машина за единични заявки: един огромен въпрос вътре, пълен доклад навън. Това е най-неефективният начин за използването им. Реалното разследване протича на етапи, като всеки отговор отваря вратата за следващия въпрос. Мулти-агентните системи работят по същия начин: верижно свързване на заявки при запазване на контекста, за да започнете широко и след това да се фокусирате.

Верижно свързване на заявки с previous_response_id

При Responses API верижното свързване разчита на previous_response_id: предавате ID на предишния отговор при всяко извикване и моделът продължава нишката на разговора.

# Етап 1: преглед
response1 = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "low"},
    input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)

# Етап 2: задълбочен анализ (препратка към предишния етап)
response2 = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "medium"},
    input=[{"role": "user", "content": "Deep dive into the mentioned hybrid architectures"}],
    previous_response_id=response1.id,
)

# Етап 3: целево сравнение
response3 = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "high"},
    input=[{"role": "user", "content": "Compare Pinecone and Weaviate for this use case"}],
    previous_response_id=response2.id,
)

Забележете прогресията в усилието за разсъждение: low за първоначалната карта, medium за задълбочения анализ и high за финалното сравнение. Това отразява основната логика – не харчете изчислителна мощ, докато не знаете точно върху какво да я насочите. Агентите знаят какво вече е казано и не преоткриват отново основите при всеки завой.

Три начина за провеждане на сесия

Фуният подход: от общо към конкретно

Това е най-естествената и икономична траектория. При първия етап, изпълнен с четири агента, се картографира темата и се открояват различни ъгли. Вторият етап, отново с четири агента, се фокусира върху този, който Ви интересува. Едва третият етап мобилизира шестнадесет агента, за да анализира идентифицираната точка в дълбочина. Разполагате с големия екип едва когато сте сигурни какво търсите, вместо да плащате за изчерпателно проучване, от което 90% няма да Ви послужи.

Странично проучване

Понякога един отговор разкрива неочакван ъгъл. Питате за предизвикателствата при внедряването на LLM в продукционна среда, лидерът споменава накратко проблеми със забавянето (latency) и точно там се крие ключът към Вашия проект. Следващият етап тръгва от това споменаване – „споменахте проблеми със забавянето, какви решения съществуват?“ – а третият сравнява обсъдените подходи за семантично кеширане. Всеки въпрос използва точно речника от предишния етап, което насочва търсенията много по-точно.

Кръстосана валидация

Този подход цели надеждност, а не откритие. Искате бенчмаркове за производителността на Mistral Large 3, след това карате независими източници да верифицират тези цифри и завършвате с търсене на противоречия между тях. Третият етап е най-поучителен: той превръща един сигурен отговор в състояние на знание, където несигурността е изрично посочена.

Същото със xAI SDK

Нативният SDK прави верижното свързване имплицитно: обектът chat държи историята, Вие просто добавяте последователни съобщения.

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    use_encrypted_content=True,
)

# Етап 1
chat.append(user("Overview of RAG frameworks in 2026"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

# Етап 2 (същият обект chat = запазен контекст)
chat.append(user("Deep dive into hybrid architectures"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

use_encrypted_content=True прави реална разлика тук: без него се запазва само обмененият текст; с него вътрешното състояние на суб-агентите оцелява от етап на етап и непрекъснатостта на търсенето се подобрява.

Кога да спрете сесията

Механизмът има ограничения, всички свързани с натрупването. Контекстът расте с всеки етап и в крайна сметка насища прозореца за контекст; криптираното съдържание допринася за това, тъй като състоянието на суб-агентите заема място; последователността ерозира, тъй като лидерът държи все по-обширна история; и разходите следват същата логика, като всеки етап таксува всички натрупани токени.

На практика се придържайте към три до пет етапа на сесия. Отвъд това отворете нова сесия със синтезиращ подканващ промпт, обобщаващ Вашите заключения: този чист, кондензиран контекст често се оказва по-ефективен от разтегления разговор, който изоставяте.

Ключови изводи

  • previous_response_id свързва заявки във верига, запазвайки контекста
  • Стратегията „фуния“ (от общо към конкретно) оптимизира разходите
  • use_encrypted_content=True запазва състоянието на суб-агентите между етапите
  • Ограничете се до 3-5 етапа на сесия, за да поддържате последователност и управляеми разходи
  • Започнете с 4 агента и увеличавайте броя им според нуждите