Implementering med xAI SDK
På denne side
Det native xAI SDK
xAI SDK er den mest direkte måde at bruge multi-agent-tilstand på og den eneste, der eksponerer parametre som agent_count, som tredjeparts-SDK’er ikke har adgang til. Hvis du starter uden begrænsninger fra økosystemet, så begynd her: Du får adgang til hele sættet af indstillinger.
Grundlæggende opsætning
Initialisering af klienten kræver blot tre imports og læsning af din API-nøgle fra miljøvariablen:
import os
from xai_sdk import Client
from xai_sdk.chat import user
client = Client(api_key=os.getenv("XAI_API_KEY"))
Miljøvariablen XAI_API_KEY skal indeholde din xAI API-nøgle. Hardcod aldrig nøglen: Den ville ende i Git-repositoriet og dermed i dets historik, hvor den er svær at fjerne.
Anmodning med 4 agenter (hurtig tilstand)
Til en hurtig og fokuseret søgning angiver du agent_count=4, når du opretter chatten:
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4
)
chat.append(user("Sammenlign TCP og UDP i detaljer"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
Bemærk, at du modtager svaret via chat.stream(). Det er den anbefalede metode: Uden den hænger dit program uden livstegn under hele søgningen, og du får ingen indikation på, om anmodningen stadig kører, eller om den er crashet.
Anmodning med 16 agenter (dybdegående tilstand)
Skift til dybdegående tilstand kræver kun ændring af én værdi, men anmodningen, du parrer med den, skal matche skalaen på det team, du udruller:
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=16
)
chat.append(user(
"Giv mig en komplet state of the art om RAG-arkitekturer i 2026, "
"sammenlign hybride tilgange, ydeevne og omkostninger"
))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
Tilføjelse af indbyggede værktøjer
Du tilføjer værktøjer med en simpel liste, og SDK’et leverer de matchende konstruktører:
from xai_sdk.tools import web_search, x_search
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
tools=[web_search(), x_search()],
include=["verbose_streaming"],
)
chat.append(user("Hvad er xAI's seneste annonceringer denne uge?"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
Parameteren include=["verbose_streaming"] ændrer, hvad du modtager: Værktøjskald vises i realtid, mens agenterne arbejder, så du ved, hvad den aktuelle søgning fokuserer på.
Krypteret indhold til samtaler over flere omgange
Hvis du planlægger at stille flere spørgsmål i træk om samme emne, skal du aktivere krypteret indhold, når du opretter chatten:
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
Modellen bevarer derefter tilstanden for under-agenterne mellem omgangene, hvilket gør udvidede udvekslinger langt mere sammenhængende.
Håndtering af fejl
Da API’en er i beta, kan en anmodning fejle uden skyld fra din side. Omslut kaldet og planlæg en flugtrute:
try:
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4
)
chat.append(user("Mit spørgsmål"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
except Exception as e:
print(f"Multi-agent-fejl: {e}")
# Fald tilbage til en standardmodel, hvis nødvendigt
Kommentaren på sidste linje venter på at blive erstattet med rigtig kode. I produktion skal denne blok faktisk falde tilbage til en standardmodel; ellers holder din funktion op med at fungere første gang multi-agent ikke er tilgængelig.
Vigtige pointer
- xAI SDK eksponerer
agent_counttil direkte styring af antallet af agenter - Brug altid streaming til multi-agent (
.stream()) verbose_streamingafslører værktøjskald i realtid- Brug
use_encrypted_content=Truetil samtaler over flere omgange - Planlæg altid håndtering af fejl (beta-API)