Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Monivaiheiset keskustelut previous_response_id:n avulla

Oppitunti 13 / 14 Päivitetty 29. heinäkuuta 2026 Kehittäjä
Tällä sivulla
  1. Hienosta hakua vuorovaikutus kerrallaan
  2. Ketjuta kyselyitä previous_response_id:n avulla
  3. Kolme tapaa suorittaa istunto
  4. Sama xAI SDK:n kanssa
  5. Tietäminen, milloin istunto lopetetaan
  6. Keskeiset asiat

Hienosta hakua vuorovaikutus kerrallaan

Saatat kuvitella moniagenttijärjestelmän yhden kyselyn koneeksi: yksi valtava kysymys sisään, valmis raportti ulos. Tämä on sen tehottomin käyttötapa. Todellinen tutkimus etenee askel kerrallaan, ja jokainen vastaus avaa uuden kysymyksen. Moniagenttijärjestelmä toimii samalla tavalla: ketjuta kyselyitä säilyttäen konteksti aloittaaksesi laajasti ja tarkentuaksesi sitten.

Ketjuta kyselyitä previous_response_id:n avulla

Responses API:ssa ketjutus perustuu previous_response_id:hen: välität edellisen vastauksen tunnisteen jokaiseen kutsuun, ja malli jatkaa langasta.

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

# Vuoro 2: syventävä tarkastelu (viittaa edelliseen vuoroon)
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,
)

# Vuoro 3: kohdennettu vertailu
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,
)

Huomaa päättelyyn käytettävän vaivan eteneminen: low alustavaan kartoitukseen, medium syventävään tarkasteluun ja high lopulliseen vertailuun. Tämä heijastaa taustalla olevaa logiikkaa: älä tuhlaa laskentatehoa, ennen kuin tiedät, mihin sitä kannattaa käyttää. Agentit tietävät, mitä on jo sanottu, eivätkä rakenna pohjaa uudelleen joka vuorolla.

Kolme tapaa suorittaa istunto

Suppilomenetelmä: laajasta tarkkaan

Tämä on luontevin ja taloudellisin etenemistapa. Ensimmäisellä vuorolla neljä agenttia kartoittaa aiheen ja tuo esiin eri näkökulmia. Toisella vuorolla, edelleen neljällä agentilla, zoomataan siihen yhteen näkökulmaan, joka kiinnostaa sinua. Vasta kolmannella vuorolla mobilisoidaan kuusitoista agenttia analysoimaan tunnistettua kohtaa syvällisesti. Otat suuren tiimin käyttöön vasta, kun olet varma siitä, mitä etsit, sen sijaan että maksaisit tyhjentävästä tutkimuksesta, josta 90 % ei palvele tarpeitasi.

Lateraalinen tutkimus

Joskus vastaus paljastaa odottamattoman näkökulman. Kysyt LLM:n käyttöönoton haasteista tuotantoympäristössä, johtaja mainitsee ohimennen viiveongelmat, ja siinä piilee projektisi ydin. Seuraava vuoro lähtee liikkeelle tästä maininnasta: “mainitsit viiveongelmat, mitä ratkaisuja on olemassa?” Tämän jälkeen kolmas vuoro vertailee käsiteltyjä semanttisen välimuistin lähestymistapoja. Jokainen kysymys poimii tarkan sanaston edellisestä vuorosta, mikä kohdistaa haut huomattavasti paremmin.

Ristiinvalidointi

Tämä lähestymistapa tavoittelee luotettavuutta ennemmin kuin löytämistä. Pyydät Mistral Large 3:n suorituskykymittareita, pyydät sitten riippumattomia lähteitä vahvistamaan nämä luvut ja lopuksi etsit niiden välisiä ristiriitoja. Kolmas vuoro on opettavaisin: se muuttaa varman vastauksen tietämyksen tilaksi, jossa epävarmuus on eksplisiittistä.

Sama xAI SDK:n kanssa

Natiivi SDK tekee ketjutuksesta implisiittistä: chat-olio pitää yllä historiaa, sinun tarvitsee vain lisätä peräkkäisiä viestejä.

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

# Vuoro 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)

# Vuoro 2 (sama chat-olio = konteksti säilyy)
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 tekee tässä todellisen eron: ilman sitä vain vaihdettu teksti säilyy; sen kanssa aliagenttien sisäinen tila säilyy vuorosta toiseen ja haun jatkuvuus paranee.

Tietäminen, milloin istunto lopetetaan

Mekanismilla on rajoituksia, jotka kaikki liittyvät kertymiseen. Konteksti kasvaa jokaisella vuorolla ja täyttää lopulta konteksti-ikkunan; salattu sisältö vaikuttaa tähän, sillä aliagenttien tila vie tilaa; johdonmukaisuus heikkenee, kun johtaja hallitsee yhä laajempaa historiaa; ja kustannukset seuraavat perässä, sillä jokainen vuoro laskuttaa kaikki kertyneet tokenit.

Käytännössä rajoita istunnot kolmeen–viiteen vuoroon. Sen jälkeen aloita uusi istunto yhteenvetokehotteella, joka tiivistää johtopäätöksesi: tämä puhdas, tiivis konteksti osoittautuu usein tehokkaammaksi kuin venytetty keskustelu, jonka hylkäät.

Keskeiset asiat

  • previous_response_id ketjuttaa kyselyitä säilyttäen kontekstin
  • Suppilostrategia (laaja → tarkka) optimoi kustannuksia
  • use_encrypted_content=True säilyttää aliagenttien tilan vuorojen välillä
  • Rajoita itsesi 3–5 vuoroon istuntoa kohden pitääksesi johdonmukaisuuden ja kustannukset hallittavina
  • Aloita 4 agentilla ja lisää määrää tarpeen mukaan