Ir al contenido principal
Español— Elegir un idioma
Menú

Streaming detallado y contenido cifrado

Lección 8 de 14 Actualizado el 29 de julio de 2026 Desarrollador
En esta página
  1. Seguimiento del trabajo de los agentes en tiempo real
  2. Qué muestra el streaming estándar
  3. Abrir la caja con verbose_streaming
  4. El contenido cifrado no es una ventana; es memoria
  5. Puntos clave

Seguimiento del trabajo de los agentes en tiempo real

Una solicitud multiagente lleva tiempo; cuanto más agentes lances, más tardará: con 16 agentes ejecutándose sobre un tema amplio, la espera se cuenta en decenas de segundos. Mientras tanto, tu aplicación no sabe qué está ocurriendo y tu usuario contempla una pantalla congelada. Dos mecanismos abordan este problema, pero no hacen lo mismo en absoluto: el streaming detallado abre una ventana a la actividad de los agentes durante la inferencia, mientras que el contenido cifrado preserva su estado de un turno de conversación al siguiente. Confundirlos te llevará a activar el parámetro incorrecto y a malgastar tokens.

Qué muestra el streaming estándar

Con el streaming estándar, recibes el texto final del líder a medida que se genera, y nada más.

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)

Esto es perfectamente suficiente para la mayoría de las integraciones: muestras la respuesta palabra por palabra, el usuario ve cómo aparece algo y listo. El punto ciego está aguas arriba. Mientras los subagentes buscan y el líder no ha comenzado su síntesis, el flujo permanece vacío y no tienes forma de distinguir una búsqueda en curso de una solicitud bloqueada.

Abrir la caja con verbose_streaming

Solo tienes que añadir verbose_streaming al parámetro include, y las llamadas a herramientas también llegarán al flujo a medida que ocurran.

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)
    # Las llamadas a herramientas también son visibles en tiempo real

Entonces verás cómo se lanzan las búsquedas web, cómo regresan los resultados y cómo el líder comienza a escribir. De esto se derivan directamente tres usos. Para la depuración, compruebas que los agentes buscan en la dirección esperada: si tu pregunta trata sobre reacciones públicas y cada consulta apunta a fichas técnicas, el problema es tu prompt, no el modelo. Para la experiencia de usuario, estos eventos alimentan un indicador de progreso honesto —«buscando fuentes», «analizando resultados»— en lugar de un indicador de carga genérico. Por último, para la monitorización, puedes entender a posteriori por qué una solicitud tardó un minuto, porque sabes cuántas búsquedas se lanzaron.

El contenido cifrado no es una ventana; es memoria

use_encrypted_content responde a una pregunta distinta. No expone ningún razonamiento en texto plano: permite al modelo mantener el estado interno de los agentes entre turnos dentro de la misma conversación.

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

Cuando este parámetro está activo, la respuesta incluye un bloque cifrado que contiene el estado de los subagentes: los resultados de sus búsquedas y el contexto que han acumulado. En el siguiente mensaje, este bloque se devuelve automáticamente y el modelo parte de lo que ya se ha encontrado en lugar de recalcularlo todo. No puedes leerlo; está pensado para el modelo, no para el registro de tu aplicación.

La decisión de activarlo se reduce a un criterio sencillo: ¿vas a hacer varias preguntas relacionadas? Una sesión en la que primero pides una visión general y luego profundizas en el tercer punto obtiene un beneficio claro, al igual que una investigación larga donde el contexto de los turnos anteriores es lo esencial. Por el contrario, para una pregunta aislada que requiere una única respuesta y nada más, el bloque cifrado es solo sobrecarga: añade tokens en cada turno, que se facturan como el resto.

Nada te impide combinar ambos mecanismos; de hecho, esa es la configuración natural para un asistente de investigación interactivo: sigues la actividad en directo y el contexto sobrevive de un turno al siguiente.

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,
)

Puntos clave

  • verbose_streaming revela las llamadas a herramientas en tiempo real (depuración, UX, monitorización)
  • use_encrypted_content preserva el estado de los subagentes entre turnos de conversación
  • El contenido cifrado no es legible; sirve al modelo, no a ti
  • Combina ambos para sesiones de investigación interactivas
  • Activa el contenido cifrado solo si esperas conversaciones de varios turnos