Conversaciones de varios turnos con previous_response_id
En esta página
Refina la búsqueda turno a turno
Podrías imaginar el sistema multiagente como una máquina de consulta única: una pregunta masiva entra, un informe completo sale. Ese es su uso menos eficiente. La investigación real avanza por pasos; cada respuesta abre la siguiente pregunta. El sistema multiagente funciona igual: encadena consultas manteniendo el contexto para empezar de forma amplia y luego concretar.
Encadena consultas con previous_response_id
Con la API de Responses, el encadenamiento depende de previous_response_id: pasas el ID de la respuesta anterior a cada llamada y el modelo retoma el hilo.
# Turno 1: visión general
response1 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)
# Turno 2: análisis en profundidad (hace referencia al turno anterior)
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,
)
# Turno 3: comparación específica
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,
)
Observa la progresión en el esfuerzo de razonamiento: low para el mapa inicial, medium para el análisis en profundidad y high para la comparación final. Esto refleja una lógica subyacente: no gastes potencia de cómputo hasta saber en qué invertirla. Los agentes saben qué se ha dicho ya y no reconstruyen los cimientos en cada turno.
Tres formas de ejecutar una sesión
El embudo, de lo general a lo específico
Esta es la trayectoria más natural y económica. En el primer turno, con cuatro agentes, se mapea el tema y se destacan ángulos de interés. En el segundo, todavía con cuatro agentes, se hace zoom en el que te preocupa. Solo en el tercer turno se movilizan dieciséis agentes para analizar en profundidad el punto identificado. Despliegas el equipo grande solo cuando estás seguro de qué buscas, en lugar de pagar por una exploración exhaustiva donde el 90 % no te servirá.
Exploración lateral
A veces una respuesta revela un ángulo inesperado. Preguntas por los retos del despliegue de LLM en producción, el líder menciona de pasada problemas de latencia y ahí es donde reside la clave de tu proyecto. El siguiente turno arranca desde esa mención: «has mencionado problemas de latencia, ¿qué soluciones existen?». Luego, el tercero compara los enfoques de caché semántico discutidos. Cada pregunta retoma el vocabulario exacto del turno anterior, lo que dirige las búsquedas con mucha más precisión.
Validación cruzada
Este enfoque prioriza la fiabilidad sobre el descubrimiento. Pides benchmarks de rendimiento de Mistral Large 3, haces que fuentes independientes verifiquen esas cifras y terminas buscando contradicciones entre ellas. El tercer turno es el más instructivo: convierte una respuesta segura en un estado del conocimiento donde la incertidumbre queda explícita.
Lo mismo con el SDK de xAI
El SDK nativo hace implícito el encadenamiento: el objeto chat guarda el historial; solo tienes que añadir mensajes sucesivos.
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
# Turno 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)
# Turno 2 (mismo objeto chat = contexto preservado)
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 marca aquí una diferencia real: sin él, solo se conserva el texto intercambiado; con él, el estado interno de los subagentes sobrevive de un turno a otro y mejora la continuidad de la búsqueda.
Saber cuándo detener una sesión
El mecanismo tiene límites, todos relacionados con la acumulación. El contexto crece en cada turno y acaba saturando la ventana de contexto; el contenido cifrado contribuye a ello, pues el estado de los subagentes ocupa espacio; la coherencia se erosiona a medida que el líder maneja un historial más vasto; y los costes siguen la misma tendencia, ya que cada turno factura todos los tokens acumulados.
En la práctica, limítate a entre tres y cinco turnos por sesión. Más allá de eso, abre una nueva sesión con un prompt de síntesis que resuma tus conclusiones: este contexto limpio y condensado suele ser más eficaz que la conversación estirada que abandonas.
Puntos clave
previous_response_idencadena consultas manteniendo el contexto- La estrategia de embudo (general → específico) optimiza costes
use_encrypted_content=Truepreserva el estado de los subagentes entre turnos- Limítate a 3-5 turnos por sesión para mantener la coherencia y controlar los costes
- Empieza con 4 agentes y aumenta según sea necesario