Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Többmenetes beszélgetések a previous_response_id használatával

13. lecke 14 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Finomítsd a keresést menetről menetre
  2. Lekérdezések láncolása a previous_response_id segítségével
  3. Három módszer a munkamenet futtatására
  4. Ugyanez az xAI SDK-val
  5. Tudd, mikor zárd le a munkamenetet
  6. Főbb megállapítások

Finomítsd a keresést menetről menetre

Lehet, hogy úgy képzeled el a többügynökös rendszert, mint egy egyszeri lekérdezésre épülő gépet: egy hatalmas kérdés be, egy teljes jelentés ki. Ez a legkevésbé hatékony felhasználási módja. A valódi nyomozás lépésekben halad, ahol minden válasz megnyitja az utat a következő kérdés előtt. A többügynökös rendszer is így működik: láncold össze a lekérdezéseket a kontextus megőrzésével, hogy először tágan indulj, majd fokozatosan szűkítsd a kört.

Lekérdezések láncolása a previous_response_id segítségével

A Responses API esetén a láncolás a previous_response_id-re épül: minden híváshoz megadod az előző válasz azonosítóját, így a modell folytatja a fonalat.

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

# 2. menet: mélyreható elemzés (az előző menetre hivatkozik)
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,
)

# 3. menet: célzott összehasonlítás
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,
)

Figyeld meg a következtetési erőfeszítés fokozatos növekedését: low a kezdeti térképezéshez, medium a mélyreható elemzéshez, high a végső összehasonlításhoz. Ez tükrözi az alapvető logikát – ne pazarold a számítási kapacitást addig, amíg nem tudod pontosan, mire kell fordítanod. Az ügynökök tisztában vannak azzal, ami már elhangzott, így nem kell minden menetben újra felépíteniük az alapot.

Három módszer a munkamenet futtatására

A tölcsér-elv: a tágastól a specifikus felé

Ez a legtermészetesebb és leggazdaságosabb megközelítés. Az első menetben, négy ügynök bevonásával, feltérképezed a témát és azonosítod a lehetséges szempontokat. A második menetben, szintén négy ügynökkel, rázoomolsz arra az egyre, amelyik téged igazán érdekel. Csak a harmadik menetben mozgósítasz tizenhat ügynököt a kiválasztott pont mélyreható elemzéséhez. Így csak akkor veted be a nagy létszámú csapatot, amikor már biztos vagy abban, mit keresel, ahelyett, hogy fizetnél egy kimerítő feltárásért, amelynek 90%-a számodra haszontalan lenne.

Oldalirányú feltárás

Néha egy válasz váratlan szempontot tár fel. Például kérdezel az LLM-ek éles környezeti bevezetésének kihívásairól, a vezető ügynök mellékesen említ egy késleltetési problémát, és kiderül, hogy a projekted éppen ezen múlik. A következő menet ebből a megjegyzésből indul ki: „említettél késleltetési problémákat, milyen megoldások léteznek?“, majd a harmadik menet összehasonlítja a tárgyalt szemantikus gyorsítótárazási megközelítéseket. Minden kérdés pontosan az előző menet szókincsére épít, ami sokkal célzottabbá teszi a keresést.

Keresztellenőrzés

Ennek a megközelítésnek a célja a megbízhatóság a felfedezéssel szemben. Kérsz teljesítmény-összehasonlító adatokat a Mistral Large 3 modellről, majd független forrásokkal ellenőrizteted ezeket az értékeket, végül pedig ellentmondásokat keresel közöttük. A harmadik menet a legtanulságosabb: egy magabiztos választ olyan tudásállapottá alakít, ahol a bizonytalanság explicit módon megjelenik.

Ugyanez az xAI SDK-val

A natív SDK implicit módon kezeli a láncolást: a chat objektum tárolja az előzményeket, neked csak egymás után kell hozzáadnod az üzeneteket.

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

# 1. menet
chat.append(user("Overview of RAG frameworks in 2026"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

# 2. menet (ugyanaz a chat objektum = a kontextus megmarad)
chat.append(user("Deep dive into hybrid architectures"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

A use_encrypted_content=True beállítás itt valódi különbséget jelent: enélkül csak a cserélt szöveg marad meg; ezzel viszont az alügynökök belső állapota is megmarad menetről menetre, javítva a keresés folyamatosságát.

Tudd, mikor zárd le a munkamenetet

A mechanizmusnak vannak korlátai, amelyek mind a felhalmozódással kapcsolatosak. A kontextus minden menettel nő, és előbb-utóbb telíti a kontextusablakot; a titkosított tartalom is hozzájárul ehhez, mivel az alügynökök állapota helyet foglal; a konzisztencia romlik, ahogy a vezető ügynök egyre tágabb előzményeket tart kézben; a költségek pedig követik ezt a trendet, mivel minden menetnél az összes felhalmozott tokent számlázzák.

A gyakorlatban tartsd magad a munkamenetenkénti 3–5 menethez. Ezen túl nyiss egy új munkamenetet egy szintetizáló prompttal, amely összefoglalja a következtetéseidet: ez a tiszta, sűrített kontextus gyakran hatékonyabbnak bizonyul, mint az elnyújtott beszélgetés, amelyet így elhagyhatsz.

Főbb megállapítások

  • A previous_response_id láncolja a lekérdezéseket a kontextus megőrzésével
  • A tölcsér-stratégia (tágas → specifikus) optimalizálja a költségeket
  • A use_encrypted_content=True megőrzi az alügynökök állapotát a menetek között
  • Korlátozd magad munkamenetenként 3–5 menetre a konzisztencia és a költségek kordában tartása érdekében
  • Kezdd 4 ügynökkel, és szükség szerint növeld a számot