Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Ροή δεδομένων με αναλυτική καταγραφή και κρυπτογραφημένο περιεχόμενο

Μάθημα 8 / 14 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Παρακολούθηση του έργου των πρακτόρων σε πραγματικό χρόνο
  2. Τι εμφανίζει η τυπική ροή δεδομένων
  3. Άνοιγμα του «κουτιού» με το verbose_streaming
  4. Το κρυπτογραφημένο περιεχόμενο δεν είναι παράθυρο· είναι μνήμη
  5. Βασικά σημεία

Παρακολούθηση του έργου των πρακτόρων σε πραγματικό χρόνο

Ένα αίτημα πολλαπλών πρακτόρων απαιτεί χρόνο, και όσο περισσότερους πράκτορες εκκινείτε, τόσο περισσότερο διαρκεί: με 16 πράκτορες να λειτουργούν σε ένα ευρύ θέμα, η αναμονή μπορεί να φτάσει τα δεκάδες δευτερόλεπτα. Εν τω μεταξύ, η εφαρμογή σας δεν γνωρίζει τι συμβαίνει και ο χρήστης σας κοιτάζει μια παγωμένη οθόνη. Δύο μηχανισμοί αντιμετωπίζουν αυτό το πρόβλημα, αλλά δεν επιτελούν καθόλου το ίδιο έργο: η ροή δεδομένων με αναλυτική καταγραφή (verbose streaming) ανοίγει ένα παράθυρο στη δραστηριότητα των πρακτόρων κατά τη διάρκεια της εξαγωγής, ενώ το κρυπτογραφημένο περιεχόμενο διατηρεί την κατάστασή τους από το ένα βήμα συνομιλίας στο επόμενο. Η σύγχυση μεταξύ των δύο σας οδηγεί στο να ενεργοποιήσετε τη λανθασμένη παράμετρο και να σπαταλήσετε tokens.

Τι εμφανίζει η τυπική ροή δεδομένων

Με την τυπική ροή δεδομένων, λαμβάνετε μόνο τον τελικό κείμενο του ηγέτη καθώς παράγεται, και τίποτα άλλο.

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)

Αυτό είναι απολύτως επαρκές για τις περισσότερες ενσωματώσεις: εμφανίζετε την απάντηση λέξη προς λέξη, ο χρήστης βλέπει κάτι να εμφανίζεται και τελειώσατε. Το τυφλό σημείο βρίσκεται upstream. Όσο οι υπο-πράκτορες αναζητούν και ο ηγέτης δεν έχει ξεκινήσει τη σύνθεσή του, η ροή παραμένει κενή και δεν έχετε κανέναν τρόπο να διακρίνετε μια αναζήτηση σε εξέλιξη από ένα αίτημα που έχει κολλήσει.

Άνοιγμα του «κουτιού» με το verbose_streaming

Απλώς προσθέστε το verbose_streaming στην παράμετρο include, και οι κλήσεις εργαλείων θα μεταδίδονται επίσης μέσω της ροής καθώς συμβαίνουν.

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

Τότε βλέπετε τις web αναζητήσεις να εκκινούνται, τα αποτελέσματα να επιστρέφουν και τον ηγέτη να αρχίζει να γράφει. Τρεις χρήσεις προκύπτουν άμεσα από αυτό. Για την αποσφαλμάτωση, ελέγχετε ότι οι πράκτορες αναζητούν προς την αναμενόμενη κατεύθυνση: εάν η ερώτησή σας αφορά δημόσιες αντιδράσεις και κάθε ερώτημα στοχεύει σε τεχνικά φύλλα, το πρόβλημα βρίσκεται στο prompt σας και όχι στο μοντέλο. Για την εμπειρία χρήστη, αυτά τα γεγονότα τροφοδοτούν έναν ειλικρινή δείκτη προόδου—«αναζήτηση πηγών», «ανάλυση αποτελεσμάτων»—αντί για έναν γενικό δείκτη φόρτωσης. Τέλος, για την παρακολούθηση, μπορείτε να κατανοήσετε εκ των υστέρων γιατί ένα αίτημα διήρκεσε ένα λεπτό, επειδή γνωρίζετε πόσες αναζητήσεις εκκινήθηκαν.

Το κρυπτογραφημένο περιεχόμενο δεν είναι παράθυρο· είναι μνήμη

Το use_encrypted_content απαντά σε ένα διαφορετικό ερώτημα. Δεν εκθέτει κανέναν συλλογισμό σε απλό κείμενο: επιτρέπει στο μοντέλο να διατηρεί την εσωτερική κατάσταση των πρακτόρων μεταξύ των βημάτων στην ίδια συνομιλία.

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

Όταν αυτή η παράμετρος είναι ενεργή, η απάντηση περιλαμβάνει ένα κρυπτογραφημένο μπλοκ που περιέχει την κατάσταση των υπο-πρακτόρων: τα αποτελέσματα των αναζητήσεών τους και το πλαίσιο που έχουν συσσωρεύσει. Στο επόμενο μήνυμα, αυτό το μπλοκ επιστρέφεται αυτόματα και το μοντέλο ξεκινά από ό,τι έχει ήδη βρεθεί αντί να υπολογίζει εκ νέου τα πάντα. Δεν μπορείτε να το διαβάσετε—προορίζεται για το μοντέλο, όχι για το αρχείο καταγραφής της εφαρμογής σας.

Η απόφαση ενεργοποίησής του ανάγεται σε ένα απλό κριτήριο: θα κάνετε πολλές σχετικές ερωτήσεις; Μια συνεδρία όπου ζητάτε πρώτα μια επισκόπηση και στη συνέχεια μια βαθύτερη ανάλυση στο τρίτο σημείο αποκομίζει σαφές όφελος, όπως και μια μακροχρόνια έρευνα όπου το πλαίσιο από προηγούμενα βήματα αποτελεί τον κύριο σκοπό. Αντιθέτως, για μια μεμονωμένη ερώτηση που απαιτεί μία και μόνο απάντηση, το κρυπτογραφημένο μπλοκ αποτελεί απλώς επιβάρυνση: προσθέτει tokens σε κάθε βήμα, τα οποία χρεώνονται όπως όλα τα υπόλοιπα.

Τίποτα δεν σας εμποδίζει να συνδυάσετε τους δύο μηχανισμούς—στην πραγματικότητα, αυτή είναι η φυσική ρύθμιση για έναν διαδραστικό βοηθό έρευνας: παρακολουθείτε τη δραστηριότητα ζωντανά και το πλαίσιο επιβιώνει από το ένα βήμα στο επόμενο.

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,
)

Βασικά σημεία

  • Το verbose_streaming αποκαλύπτει κλήσεις εργαλείων σε πραγματικό χρόνο (αποσφαλμάτωση, UX, παρακολούθηση)
  • Το use_encrypted_content διατηρεί την κατάσταση των υπο-πρακτόρων μεταξύ των βημάτων συνομιλίας
  • Το κρυπτογραφημένο περιεχόμενο δεν είναι αναγνώσιμο—εξυπηρετεί το μοντέλο, όχι εσάς
  • Συνδυάστε και τα δύο για διαδραστικές συνεδρίες έρευνας
  • Ενεργοποιήστε το κρυπτογραφημένο περιεχόμενο μόνο εάν αναμένετε συνομιλίες πολλαπλών βημάτων