Mehrwendige Gespräche mit previous_response_id
Auf dieser Seite
Suchen schrittweise verfeinern
Man könnte Multi-Agenten-Systeme als Maschinen für einzelne Abfragen vorstellen: eine riesige Frage ein, ein vollständiger Bericht aus. Das ist die ineffizienteste Nutzung. Echte Untersuchungen bewegen sich in Schritten, wobei jede Antwort die nächste Frage aufwirft. So funktioniert auch Multi-Agenten-Forschung: Ketten Sie Abfragen zusammen, behalten Sie den Kontext bei, beginnen Sie breit und schärfen Sie dann den Fokus.
Abfragen mit previous_response_id verketten
Mit der Responses-API basiert das Ketten von Abfragen auf previous_response_id: Sie übergeben die ID der vorherigen Antwort bei jedem Aufruf, und das Modell nimmt den Faden wieder auf.
# Runde 1: Überblick
response1 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Überblick über RAG-Frameworks im Jahr 2026"}],
)
# Runde 2: Vertiefung (bezieht sich auf vorherige Runde)
response2 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "medium"},
input=[{"role": "user", "content": "Vertiefung der erwähnten hybriden Architekturen"}],
previous_response_id=response1.id,
)
# Runde 3: Gezielte Gegenüberstellung
response3 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "high"},
input=[{"role": "user", "content": "Vergleich von Pinecone und Weaviate für diesen Anwendungsfall"}],
previous_response_id=response2.id,
)
Beachten Sie den Fortschritt im Bemühungsgrad der Reasoning: low für den initialen Überblick, medium für die Vertiefung und high für die abschließende Gegenüberstellung. Dies spiegelt die zugrundeliegende Logik wider: Verwenden Sie Rechenleistung nicht, bevor Sie wissen, wofür Sie sie einsetzen. Die Agenten wissen, was bereits gesagt wurde, und bauen den Boden in jeder Runde nicht neu auf.
Drei Möglichkeiten, eine Sitzung durchzuführen
Der Trichter, vom Allgemeinen zum Speziellen
Dies ist der natürlichste und wirtschaftlichste Verlauf. Die erste Runde, ausgeführt mit vier Agenten, kartiert das Thema und bringt Perspektiven zum Vorschein. Die zweite Runde, ebenfalls mit vier Agenten, zoomt auf den Punkt, der Sie interessiert. Erst in der dritten Runde mobilisiert man sechzehn Agenten, um den identifizierten Punkt im Detail zu analysieren. Sie setzen das große Team nur dann ein, wenn Sie sicher sind, wonach Sie suchen, anstatt für eine erschöpfende Erkundung zu zahlen, von der 90 % keinen Nutzen bieten.
Laterale Erkundung
Manchmal offenbart eine Antwort einen unerwarteten Winkel. Sie fragen nach Herausforderungen beim Einsatz von LLMs in der Produktion, der Leiter erwähnt Latenzprobleme beiläufig, und genau dort hängt Ihr Projekt. Die nächste Runde beginnt bei dieser Erwähnung – „Sie haben Latenzprobleme erwähnt, welche Lösungen gibt es?” – und die dritte Runde vergleicht die semantischen Caching-Ansätze, die diskutiert wurden. Jede Frage greift das exakte Vokabular der vorherigen Runde auf, was Suchen deutlich besser zielgerichtet macht.
Kreuzvalidierung
Dieser Ansatz zielt auf Zuverlässigkeit statt auf Entdeckung ab. Sie bitten um Leistungsbenchmarks für Mistral Large 3, lassen dann unabhängige Quellen diese Werte verifizieren und beenden die Sitzung mit der Suche nach Widersprüchen zwischen ihnen. Die dritte Runde ist die lehrreichste: Sie verwandelt eine sichergehende Antwort in einen Wissenszustand, in dem Unsicherheit explizit ist.
Dasselbe mit dem xAI SDK
Das native SDK macht das Ketten von Abfragen implizit: Das chat-Objekt hält die Historie, Sie fügen einfach nachfolgende Nachrichten hinzu.
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
# Runde 1
chat.append(user("Überblick über RAG-Frameworks im Jahr 2026"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
# Runde 2 (gleiches chat-Objekt = Kontext erhalten)
chat.append(user("Vertiefung der hybriden Architekturen"))
for response, chunk in chat.stream():
if chunk.content:
print(chunk.content, end="", flush=True)
use_encrypted_content=True macht hier einen echten Unterschied: Ohne diese Einstellung wird nur der ausgetauschte Text behalten; mit ihr überlebt der interne Zustand der Sub-Agenten von Runde zu Runde, und die Kontinuität der Suche verbessert sich.
Wann eine Sitzung beenden
Der Mechanismus hat Grenzen, die alle mit der Akkumulation zusammenhängen. Der Kontext wächst mit jeder Runde und sättigt schließlich das Kontextfenster; verschlüsselter Inhalt trägt dazu bei, wobei der Zustand der Sub-Agenten Platz beansprucht; die Konsistenz erodiert, da der Leiter eine umfangreichere Historie hält; und die Kosten folgen, wobei jede Runde alle angesammelten Tokens abrechnet.
In der Praxis beschränken Sie sich auf drei bis fünf Runden pro Sitzung. Darüber hinaus öffnen Sie eine neue Sitzung mit einem Synthese-Prompt, der Ihre Schlussfolgerungen zusammenfasst: Dieser saubere, kondensierte Kontext erweist sich oft als effektiver als die gestreckte Konversation, die Sie aufgeben.
Kernaussagen
previous_response_idverketten Abfragen und behält den Kontext bei- Die Trichterstrategie (allgemein → spezifisch) optimiert die Kosten
use_encrypted_content=Truebewahrt den Zustand der Sub-Agenten zwischen den Runden- Beschränken Sie sich auf 3-5 Runden pro Sitzung, um Konsistenz und Kosten beherrschbar zu halten
- Beginnen Sie mit 4 Agenten und erhöhen Sie diese bei Bedarf