Spring til hovedindhold
Dansk— Vælg et sprog
Menu

4 agenter vs. 16 agenter: valg af det rette indsatsniveau

Lektion 3 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. To konfigurationer, to anvendelser
  2. Konfigurationen med 4 agenter
  3. Konfigurationen med 16 agenter
  4. Sådan fungerer mappingen
  5. Valg af den rigtige konfiguration
  6. Vigtige pointer

To konfigurationer, to anvendelser

Groks multi-agent-system tilbyder to hovedkonfigurationer, der bestemmer, hvor mange agenter der udrulles til din forespørgsel. Dette valg påvirker forskningsdybden, svartiden og token-forbruget på én gang. Det er den eneste indstilling, der virkelig former modellen, og det er værd at overveje før hvert kald i stedet for at hardkode en standardværdi i din kode.

KonfigurationAgenterBedst tilxAI SDKOpenAI SDK
Hurtig4Målrettet forskning, direkte spørgsmålagent_count=4effort="low" eller "medium"
Dyb16Udtømmende forskning, komplekse emneragent_count=16effort="high" eller "xhigh"

Konfigurationen med 4 agenter

Med 4 agenter udruller du et lille, fokuseret team. Det er den rette størrelse til faktuelle spørgsmål som „Hvad er de nyeste open source AI-modeller i 2026?”, til simple sammenligninger som „Sammenlign priserne på Claude API vs. GPT-5.6”, eller til en afgrænset søgning som „Find xAIs seneste annonceringer denne uge”. Det er også den konfiguration, du skal vælge, når svartiden er en del af oplevelsen – f.eks. i en chat-grænseflade eller en assistent indbygget i en app.

De fire agenter fordeler arbejdet hurtigt, ventetiden holdes nede, og token-forbruget forbliver rimeligt. For en forespørgsel, du kører hundreder af gange om dagen, bliver det sidste punkt faktisk den afgørende faktor, selv før svarets kvalitet.

Konfigurationen med 16 agenter

Med 16 agenter udruller du et fuldt team til udtømmende forskning. Denne konfiguration giver mest mening til komplekse komparative analyser – „Sammenlign de 5 bedste cloud-GPU-udbydere ud fra ydeevne, pris, tilgængelighed og GDPR-overholdelse” – til en state-of-the-art-gennemgang som „Undersøg status for RAG-arkitekturer i 2026”, eller til en undersøgelse baseret på flere kilder som „Analyser open source-fællesskabets reaktion på Metas seneste licenser”. Det, disse tre forespørgsler har til fælles: fuldstændighed er vigtigere end hastighed, og hver af dem har nok facetter til at holde seksten forskere beskæftiget.

Afvæjningen er økonomisk, og du skal planlægge derefter. De 16 agenter dækker meget mere ground, men token-forbruget er betydeligt højere: en enkelt forespørgsel med 16 agenter kan nemt bruge 10 til 50 gange flere tokens end en standardforespørgsel. At køre en række tests i dyb tilstand af nysgerrighed er den sikreste måde at opdage en uventet regning ved månedens udgang på.

Sådan fungerer mappingen

Du angiver ikke antallet af agenter på samme måde på tværs af SDK’er. xAI SDK eksponerer en direkte parameter, agent_count, som du sætter til 4 eller 16. OpenAI SDK og REST API går gennem reasoning.effort: "low" og "medium" udløser 4 agenter, mens "high" og "xhigh" udløser 16.

Pas på med at generalisere denne mapping. Den er specifik for multi-agent-systemet. På andre Grok-modeller styrer reasoning.effort modellens ræsonnementsbudget, ikke antallet af udrullede agenter – samme parameter, to forskellige betydninger afhængigt af hvilken model du kalder.

Valg af den rigtige konfiguration

Fire spørgsmål er nok til at træffe beslutningen i de fleste tilfælde. Er spørgsmålet simpelt eller komplekst? Har du brug for fuldstændighed eller hastighed? Er token-budgettet begrænset? Venter brugeren på svaret på skærmen, eller er behandlingen asynkron? I hvert par fører den første mulighed til 4 agenter og den anden til 16.

Hvis du er i tvivl, så start med 4 agenter. Denne regel slår en lang ræsonnementsproces på forhånd: kør forespørgslen, læs svaret, og hvis det tydeligt mangler dybde eller overser en dimension af emnet, så kør den igen med 16. Du har så brugt en lille forespørgsel på at undgå, om nødvendigt, en stor en.

Vigtige pointer

  • 4 agenter = hurtig, målrettet forskning, moderat forbrug
  • 16 agenter = udtømmende forskning, højt token-forbrug
  • Mappingen sker via agent_count (xAI SDK) eller reasoning.effort (OpenAI SDK)
  • low/medium → 4 agenter, high/xhigh → 16 agenter
  • Start med 4 agenter og skalér op, hvis det er nødvendigt