Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Mitme vooruga vestlused previous_response_id abil

Õppetund 13 / 14 Värskendatud 29. juuli 2026 Arendajatele
Sellel lehel
  1. Täpsusta otsingut voor kaupa
  2. Ahelda päringuid previous_response_id abil
  3. Kolm viisi sessiooni läbiviimiseks
  4. Sama xAI SDK-ga
  5. Teadmine, millal sessioon lõpetada
  6. Peamised punktid

Täpsusta otsingut voor kaupa

Võid ette kujutada mitmeagendilist süsteemi kui ühekordse päringu masinat: üks hiiglaslik küsimus sisse, täielik raport välja. See on selle kõige ebaefektiivsem kasutusviis. Tegelikkuses liigub uurimine samm-sammult, kus iga vastus avab tee järgmisele küsimusele. Mitmeagendiline süsteem toimib samamoodi: ahelda päringuid, hoides konteksti, et alustada laialt ja seejärel kitsendada fookust.

Ahelda päringuid previous_response_id abil

Responses API puhul põhineb aheldamine parameetril previous_response_id: edastad iga väljakutsega eelmise vastuse ID ja mudel jätkab sealt, kus pooleli jäi.

# Voor 1: ülevaade
response1 = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "low"},
    input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)

# Voor 2: süvitsimine (viitab eelmisele voorule)
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,
)

# Voor 3: sihipärane võrdlus
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,
)

Pane tähele arutlusvõime (reasoning effort) progressiooni: low esialgseks kaardistamiseks, medium süvitsiminekuks ja high lõplikuks võrdluseks. See peegeldab alusloogikat – ära raiska arvutusvõimsust, enne kui tead, millele seda kulutada. Agendid teavad, mida juba öeldud on, ega ehita iga vooruga uut alust.

Kolm viisi sessiooni läbiviimiseks

Lehter: laialt spetsiifilisele

See on kõige loomulikum ja ökonoomsem trajektoor. Esimeses voorus, kasutades nelja agenti, kaardistad teema ja tood välja erinevad vaatenurgad. Teises voorus, endiselt nelja agendiga, süvened sellesse, mis sind konkreetselt huvitab. Alles kolmandas voorus mobiliseerid kuusteist agenti, et analüüsida tuvastatud punkti põhjalikult. Sa rakendad suurt meeskonda alles siis, kui oled kindel, mida otsid, selle asemel et maksta ammendava uurimise eest, millest 90% ei ole sulle kasulik.

Külgmine uurimine

Mõnikord paljastab vastus ootamatu nurga. Küsid LLM-i kasutuselevõtu väljakutsete kohta tootmises, juht mainib möödaminnes latentsusprobleeme ja just sellest sõltub sinu projekti edu. Järgmine voor algab sellest mainimisest – „sa mainisid latentsusprobleeme, millised lahendused on olemas?“ – ning kolmas voor võrdleb arutatud semantilise vahemällu salvestamise (semantic caching) lähenemisviise. Iga küsimus haarab eelmise vooru täpset sõnavara, mis suunab otsinguid palju täpsemalt.

Ristkontroll

See lähenemine seab avastamise asemel esikohale usaldusväärsuse. Küsid Mistral Large 3 jõudluse võrdlusteste, lased sõltumatutel allikatel need arvud üle kontrollida ja lõpetad vastuolude otsimisega nende vahel. Kolmas voor on kõige õpetlikum: see muudab kindla vastuse teadmiste seisundiks, kus määramatus on selgelt väljendatud.

Sama xAI SDK-ga

Natiivne SDK muudab aheldamise implitsiitseks: objekt chat hoiab ajalugu, sina lisad lihtsalt järjestikuseid sõnumeid.

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

# Voor 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)

# Voor 2 (sama chat-objekt = kontekst säilib)
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 teeb siin reaalse erinevuse: ilma selleta säilitatakse vaid vahetatud tekst; selle olemasolul jääb alaagentide sisemine olek voorude vahel alles ja otsingu järjepidevus paraneb.

Teadmine, millal sessioon lõpetada

Mehhanismil on piirangud, mis kõik tulenevad kuhjumisest. Kontekst kasvab iga vooruga ja küllastab lõpuks kontekstiakna; krüptitud sisal aitab sellele kaasa, kuna alaagentide olek võtab ruumi; järjepidevus halveneb, kui juht haldab üha ulatuslikumat ajalugu; ja kulud kasvavad, kuna iga vooru eest arvutatakse kõik kogunenud tokenid.

Praktikas piirdu kolme kuni viie vooruga sessiooni kohta. Ületades seda piiri, ava uus sessioon kokkuvõtva vihjega (synthesis prompt), mis võtab kokku sinu järeldused: see puhas, kondenseeritud kontekst osutub sageli tõhusamaks kui venitatud vestlus, mille maha jätad.

Peamised punktid

  • previous_response_id aheldab päringuid, säilitades konteksti
  • Lehtri strateegia (laialt → spetsiifilisele) optimeerib kulusid
  • use_encrypted_content=True säilitab alaagentide oleku voorude vahel
  • Piirdu 3–5 vooruga sessiooni kohta, et hoida järjepidevust ja kulud hallatavana
  • Alusta 4 agendiga ja suurenda arvu vastavalt vajadusele