Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Flerrundede samtaler med previous_response_id

Lektion 13 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. Forfin søgningen trin for trin
  2. Kæd forespørgsler sammen med previous_response_id
  3. Tre måder at køre en session på
  4. Det samme med xAI SDK
  5. At vide, hvornår man skal stoppe en session
  6. Vigtige pointer

Forfin søgningen trin for trin

Du forestiller dig måske multi-agent som en maskine til enkeltforespørgsler: ét kæmpe spørgsmål ind, en komplet rapport ud. Det er den mindst effektive måde at bruge det på. Ægte undersøgelse sker i skridt, hvor hvert svar åbner døren for næste spørgsmål. Multi-agent fungerer på samme måde: kæd forespørgsler sammen, mens du bevarer konteksten, for at starte bredt og derefter indsnævre fokus.

Kæd forespørgsler sammen med previous_response_id

Med Responses API afhænger kædning af previous_response_id: du sender ID’et fra det foregående svar med i hvert kald, så modellen kan tage tråden op igen.

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

# Runde 2: Dybdegående analyse (refererer til forrige runde)
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,
)

# Runde 3: Målrettet sammenligning
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,
)

Læg mærke til udviklingen i ræsonnementsindsatsen: low til det indledende overblik, medium til den dybdegående analyse og high til den endelige sammenligning. Det afspejler en underliggende logik – brug ikke regnekraft, før du ved, hvad du skal bruge den på. Agenterne ved, hvad der allerede er sagt, og genopfinder ikke hjulet i hver runde.

Tre måder at køre en session på

Tragten: Fra bredt til specifikt

Dette er den mest naturlige og økonomiske fremgangsmåde. I første runde, med fire agenter, kortlægges emnet, og forskellige vinkler bringes frem. I anden runde, stadig med fire agenter, zoomes der ind på den vinkel, der interesserer dig. Først i tredje runde mobiliseres seksten agenter til at analysere det identificerede punkt i dybden. Du indsætter først det store hold, når du er sikker på, hvad du leder efter, i stedet for at betale for en udtømmende udforskning, hvor 90 % ikke vil være til nytte for dig.

Lateralt udforskning

Nogle gange afslører et svar en uventet vinkel. Du spørger om udfordringer ved implementering af LLM i produktion, lederen nævner latensproblemer i forbifarten, og det er præcis dér, dit projekt hænger i. Næste runde tager udgangspunkt i den nævnelse – „du nævnte latensproblemer, hvilke løsninger findes der?” – hvorefter tredje runde sammenligner de diskuterede tilgange til semantisk caching. Hvert spørgsmål griber fat i det præcise ordforråd fra den foregående runde, hvilket målretter søgningerne langt bedre.

Krydsvalidering

Denne tilgang prioriterer pålidelighed frem for opdagelse. Du beder om ydelsesbenchmarks for Mistral Large 3, får derefter uafhængige kilder til at verificere tallene og afslutter med at lede efter modsigelser mellem dem. Tredje runde er den mest lærerige: den omdanner et sikkert svar til en vidensstand, hvor usikkerhed er eksplicit.

Det samme med xAI SDK

Det native SDK gør kædning implicit: chat-objektet indeholder historikken, du skal blot tilføje successive beskeder.

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

# Runde 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)

# Runde 2 (samme chat-objekt = kontekst bevaret)
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 gør en reel forskel her: Uden det gemmes kun den udvekslede tekst; med det overlever sub-agenternes interne tilstand fra runde til runde, og kontinuiteten i søgningen forbedres.

At vide, hvornår man skal stoppe en session

Mekanismen har begrænsninger, som alle hænger sammen med akkumulering. Konteksten vokser med hver runde og mætter til sidst kontekstvinduet; krypteret indhold bidrager hertil, da sub-agenternes tilstand optager plads; konsistensen udvandes, efterhånden som lederen skal håndtere en stadig større historik; og omkostningerne stiger, da hver runde fakturerer alle akkumulerede tokens.

I praksis bør du holde dig til tre til fem runder pr. session. Går du ud over det, så start en ny session med en sammenfatnings-prompt, der opsummerer dine konklusioner: Denne rensede, kondenserede kontekst viser sig ofte at være mere effektiv end den udvandede samtale, du opgiver.

Vigtige pointer

  • previous_response_id kæder forespørgsler sammen, mens konteksten bevares
  • Tragt-strategien (bredt → specifikt) optimerer omkostningerne
  • use_encrypted_content=True bevarer sub-agenternes tilstand mellem runderne
  • Begræns dig til 3-5 runder pr. session for at holde konsistens og omkostninger håndterbare
  • Start med 4 agenter og øg antallet efter behov