Vícekolové konverzace s previous_response_id
Na této stránce
Postupné zpřesňování hledání krok za krokem
Možná si víceagentní systém představuješ jako stroj na jednorázové dotazy: jedna obrovská otázka na vstupu a kompletní zpráva na výstupu. To je však jeho nejméně efektivní využití. Skutečné pátrání probíhá po krocích, kde každá odpověď otevírá cestu další otázce. Víceagentní systémy fungují stejně: řetěz dotazy při zachování kontextu, abys začal široce a postupně se zužoval.
Řetězení dotazů pomocí previous_response_id
U Responses API spočívá řetězení v parametru previous_response_id: při každém volání předáš ID předchozí odpovědi a model tak naváže na přerušenou nit.
# Kolo 1: přehled
response1 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)
# Kolo 2: hloubková analýza (odkazuje na předchozí kolo)
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,
)
# Kolo 3: cílené srovnání
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,
)
Všimni si postupného navyšování úsilí při odvozování: low pro úvodní mapování, medium pro hloubkovou analýzu a high pro finální srovnání. To odráží základní logiku – neplýtvej výpočetním výkonem, dokud nevíš, kam ho směřovat. Agenti vědí, co už bylo řečeno, a nemusí při každém kole znovu budovat základy.
Tři způsoby vedení relace
Nálevka: od obecného ke konkrétnímu
Toto je nejpřirozenější a nejúspornější trajektorie. V prvním kole, spuštěném se čtyřmi agenty, zmapuješ téma a odhalíš různé úhly pohledu. Ve druhém kole, stále se čtyřmi agenty, se zaměříš na ten, který tě zajímá. Až ve třetím kole nasadíš šestnáct agentů k hloubkové analýze identifikovaného bodu. Velký tým nasadíš až ve chvíli, kdy si jsi jistý, co hledáš, místo abys platil za vyčerpávající průzkum, kde ti 90 % výsledků bude k ničemu.
Laterální průzkum
Někdy odpověď odhalí neočekávaný úhel. Zeptáš se na výzvy při nasazování LLM do produkce, vedoucí agent mimochodem zmíní problémy s latencí a právě na tom tvůj projekt stojí. Další kolo vychází z této zmínky – „zmínil jsi problémy s latencí, jaká existují řešení?“ – a třetí kolo pak porovnává diskutované přístupy k sémantickému ukládání do mezipaměti. Každá otázka přesně přebírá slovník z předchozího kola, což výrazně zpřesňuje hledání.
Křížová validace
Tento přístup klade důraz na spolehlivost spíše než na objevování. Necháš si vygenerovat referenční hodnoty výkonu pro Mistral Large 3, poté necháš nezávislé zdroje tato čísla ověřit a nakonec hledáš mezi nimi rozpory. Třetí kolo je nejpoučnější: mění ujišťující odpověď ve stav poznání, kde je nejistota explicitně vyjádřena.
Totéž s xAI SDK
Nativní SDK činí řetězení implicitním: objekt chat uchovává historii, ty pouze přidáváš successive zprávy.
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
# Kolo 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)
# Kolo 2 (stejný objekt chat = zachovaný kontext)
chat.append(user("Deep dive into hybrid architectures"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
Parametr use_encrypted_content=True zde hraje klíčovou roli: bez něj se uchovává pouze vyměňovaný text; s ním přežívá vnitřní stav sub-agentů z kola do kola a kontinuita hledání se zlepšuje.
Kdy relaci ukončit
Tento mechanismus má svá omezení, která souvisejí s akumulací. Kontext roste s každým kolem a nakonec zaplní kontextové okno; šifrovaný obsah k tomu přispívá, protože stav sub-agentů zabírá místo; konzistence slábne, jak vedoucí agent drží rozsáhlejší historii; a rostou i náklady, protože každé kolo fakturuje všechny nahromaděné tokeny.
V praxi se drž rozmezí tří až pěti kol na relaci. Pokud jsi nad tímto limitem, otevři novou relaci s promptem pro syntézu, který shrne tvé závěry: tento čistý a kondenzovaný kontext se často ukáže být efektivnější než natahovaná konverzace, kterou opouštíš.
Klíčové poznatky
previous_response_idřetězí dotazy při zachování kontextu- Strategie nálevky (obecné → konkrétní) optimalizuje náklady
use_encrypted_content=Trueuchovává stav sub-agentů mezi koly- Omez se na 3–5 kol na relaci, abys udržel konzistenci a náklady pod kontrolou
- Začni se 4 agenty a jejich počet zvyšuj podle potřeby