Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Podrobné streamování a šifrovaný obsah

Lekce 8 z 14 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Sledování práce agentů v reálném čase
  2. Co ukazuje standardní streamování
  3. Otevření krabice pomocí verbose_streaming
  4. Šifrovaný obsah není okno; je to paměť
  5. Klíčové poznatky

Sledování práce agentů v reálném čase

Požadavek pro více agentů něco trvá a čím více agentů spustíš, tím déle to bude: při 16 agentech pracujících na širokém tématu se čekací doba natáhne na desítky sekund. Mezitím tvoje aplikace netuší, co se děje, a tvůj uživatel zírá na zamrzlou obrazovku. Tento problém řeší dva mechanismy, které však plní zcela odlišné funkce: podrobné streamování (verbose streaming) otevírá okno do činnosti agentů během inferenčního běhu, zatímco šifrovaný obsah zachovává jejich stav z jednoho kroku konverzace do druhého. Záměna těchto dvou pojmů tě přivede k aktivaci špatného parametru a plýtvání tokeny.

Co ukazuje standardní streamování

Při standardním streamování dostáváš pouze finální text vedoucího agenta tak, jak je generován, a nic dalšího.

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
)
chat.append(user("My question"))

for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

To pro většinu integrací zcela stačí: odpověď zobrazuješ slovo od slova, uživatel vidí, že se něco děje, a hotovo. Slepaá skvrna leží výše v toku. Dokud podřízení agenti hledají a vedoucí agent ještě nezačal svou syntézu, stream zůstává prázdný a ty nemáš žádný způsob, jak rozlišit probíhající vyhledávání od zaseknutého požadavku.

Otevření krabice pomocí verbose_streaming

Stačí přidat verbose_streaming do parametru include a volání nástrojů se začnou ve streamu objevovat v reálném čase.

from xai_sdk.tools import web_search, x_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=16,
    tools=[web_search(), x_search()],
    include=["verbose_streaming"],
)

chat.append(user("Analyze reactions to Apple's latest announcements"))

for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)
    # Tool calls are also visible in real time

Nyní uvidíš, jak odcházejí webové dotazy, jak se vracejí výsledky a jak vedoucí agent začíná psát. Z toho přímo vyplývají tři využití. Pro ladění (debugging) zkontroluješ, zda agenti hledají správným směrem: pokud se tvůj dotaz týká veřejných reakcí a každý dotaz cílí na technické specifikace, problém je v tvém promptu, ne v modelu. Pro uživatelskou zkušenost tyto události napájí poctivý indikátor průběhu – „vyhledávání zdrojů“, „analýza výsledků“ – místo obecného točícího se kolečka. Nakonec pro monitorování můžeš dodatečně pochopit, proč požadavek trval minutu, protože víš, kolik vyhledávání bylo spuštěno.

Šifrovaný obsah není okno; je to paměť

use_encrypted_content odpovídá na jinou otázku. Neodhaluje žádné úvahy v prostém textu: umožňuje modelu udržovat vnitřní stav agentů mezi jednotlivými kroky ve stejné konverzaci.

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

Když je tento parametr aktivní, odpověď zahrnuje šifrovaný blok obsahující stav podřízených agentů: výsledky jejich vyhledávání a kontext, který nashromáždili. Při další zprávě se tento blok automaticky předá zpět a model začíná tam, kde již bylo něco nalezeno, místo aby vše přepočítával od začátku. Nemůžeš si ho přečíst – je určen pro model, ne pro log tvé aplikace.

Rozhodnutí, zda jej povolit, závisí na jednoduchém kritériu: budeš klást několik souvisejících otázek? Relace, kde nejprve požádáš o přehled a následně o hlubší ponor do třetího bodu, z toho má jasný prospěch, stejně jako dlouhé vyšetřování, kde je kontext z předchozích kroků tím hlavním smyslem. Naopak pro izolovanou otázku, která vyžaduje jednu odpověď a nic víc, je šifrovaný blok jen zátěží: přidává tokeny v každém kroku, které jsou účtovány jako všechny ostatní.

Nic ti nebrání kombinovat oba mechanismy – ve skutečnosti je to přirozené nastavení pro interaktivního výzkumného asistenta: sleduješ činnost živě a kontext přežívá z jednoho kroku do druhého.

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=16,
    tools=[web_search(), x_search()],
    include=["verbose_streaming"],
    use_encrypted_content=True,
)

Klíčové poznatky

  • verbose_streaming odhaluje volání nástrojů v reálném čase (ladění, UX, monitorování)
  • use_encrypted_content zachovává stav podřízených agentů mezi kroky konverzace
  • Šifrovaný obsah není čitelný – slouží modelu, ne tobě
  • Zkombinuj obojí pro interaktivní výzkumné relace
  • Povol šifrovaný obsah pouze tehdy, pokud očekáváš konverzace s více kroky