Razgovori u više koraka s previous_response_id
Na ovoj stranici
Usavrši pretragu korak po korak
Možda zamišljaš multi-agent kao stroj za jedan upit: jedno golemo pitanje unutra, potpuno izvješće van. To je njegova najmanje učinkovita uporaba. Prava istraga odvija se u koracima, gdje svaki odgovor otvara sljedeće pitanje. Multi-agent radi isto tako: poveži upite uz očuvanje konteksta kako bi krenuo široko, a zatim se suzio.
Poveži upite s previous_response_id
Kod Responses API-ja, lančanje se oslanja na previous_response_id: prosljeđuješ ID prethodnog odgovora svakom pozivu, a model nastavlja nit.
# Korak 1: pregled
response1 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)
# Korak 2: dubinska analiza (referencira prethodni korak)
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,
)
# Korak 3: ciljana usporedba
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,
)
Primijeti napredak u naporu rezoniranja: low za početnu mapu, medium za dubinsku analizu, high za konačnu usporedbu. To odražava temeljnu logiku – ne troši računalnu snagu dok ne znaš na što je trebaš usmjeriti. Agenti znaju što je već rečeno i ne grade isponova temelje u svakom koraku.
Tri načina vođenja sesije
Lijevak, od općeg prema specifičnom
Ovo je najprirodnija i najekonomičnija putanja. U prvom koraku, s četiri agenta, mapiraš temu i izvlačiš kutove gledanja. U drugom, i dalje s četiri agenta, zumiraš onaj koji te zanima. Tek u trećem koraku mobiliziraš šesnaest agenata za dubinsku analizu identificirane točke. Veliki tim raspoređuješ tek kad si siguran što tražiš, umjesto da plaćaš iscrpno istraživanje gdje ti 90% neće koristiti.
Bočno istraživanje
Ponekad odgovor otkrije neočekivani kut. Pitaš o izazovima implementacije LLM-a u produkciji, voditelj usput spomene probleme s kašnjenjem (latency) i tu leži ključ tvog projekta. Sljedeći korak kreće od tog spomena – „spomenuo si probleme s kašnjenjem, koja rješenja postoje?“ – dok treći uspoređuje raspravljene pristupe semantičkog predmemoriranja. Svako pitanje preuzima točan rječnik iz prethodnog koraka, što mnogo bolje cilja pretrage.
Unakrsna validacija
Ovaj pristup stavlja naglasak na pouzdanost, a ne na otkriće. Zatražiš referentne vrijednosti performansi za Mistral Large 3, zatim tražiš od neovisnih izvora da verificiraju te brojke, a na kraju tražiš proturječnosti između njih. Treći korak je najpoučniji: pretvara siguran odgovor u stanje znanja gdje je nesigurnost eksplicitna.
Isto s xAI SDK-jem
Nativni SDK čini lančanje implicitnim: objekt chat drži povijest, ti samo dodaješ uzastopne poruke.
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
# Korak 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)
# Korak 2 (isti objekt chat = očuvan kontekst)
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 ovdje čini pravu razliku: bez toga, zadržava se samo razmijenjeni tekst; s time, interno stanje pod-agenata preživljava iz koraka u korak i kontinuitet pretrage se poboljšava.
Kada zaustaviti sesiju
Mehanizam ima ograničenja, a sva su vezana uz akumulaciju. Kontekst raste sa svakim korakom i na kraju zasićuje prozor konteksta; šifrirani sadržaj tome pridonosi jer stanje pod-agenata zauzima prostor; dosljednost erodira kako voditelj drži sve opširniju povijest; a troškovi slijede, jer se svakim korakom naplaćuju svi akumulirani tokeni.
U praksi se drži tri do pet koraka po sesiji. Iznad toga, otvori novu sesiju s promptom za sintezu koji sažima tvoje zaključke: ovaj čisti, kondenzirani kontekst često se pokazuje učinkovitijim od razvučenog razgovora koji napuštaš.
Ključne točke
previous_response_idpovezuje upite uz očuvanje konteksta- Strategija lijevka (široko → specifično) optimizira troškove
use_encrypted_content=Truečuva stanje pod-agenata između koraka- Ograniči se na 3–5 koraka po sesiji kako bi održao dosljednost i troškove pod kontrolom
- Kreni s 4 agenta i povećaj broj po potrebi