Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Részletes streaming és titkosított tartalom

8. lecke 14 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Ügynökök munkájának valós idejű követése
  2. Mit mutat a szabványos streaming?
  3. A doboz kinyitása a verbose_streaming segítségével
  4. A titkosított tartalom nem ablak, hanem memória
  5. Főbb megállapítások

Ügynökök munkájának valós idejű követése

Egy többügynökös kérés időigényes: minél több ügynököt indítasz el egy tág témakörben, annál tovább tart. 16 ügynök esetén a várakozás akár több tíz másodperc is lehet. Eközben az alkalmazásod nem tud semmit a folyamatról, a felhasználód pedig egy befagyott képernyőt bámul. Két mechanizmus oldja meg ezt a problémát, de teljesen más feladatot látnak el: a részletes streaming (verbose streaming) ablakot nyit az ügynökök tevékenységére a következtetés során, míg a titkosított tartalom megőrzi az állapotukat egyik beszélgetési fordulóról a másikra. Ha összekevered őket, rossz paramétert kapcsolsz be, és tokeneket pazarolsz.

Mit mutat a szabványos streaming?

Szabványos streaming esetén csak a vezető ügynök végső szövegét kapod meg, ahogy az generálódik, semmi mást.

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)

Ez a legtöbb integrációhoz tökéletesen elegendő: szóról szóra jeleníted meg a választ, a felhasználó látja, ahogy megjelenik a tartalom, és kész is vagy. A vakfolt azonban az upstream folyamatokban rejlik. Amíg az alügynökök keresgélnek, és a vezető még nem kezdte el az összefoglalást, a stream üres marad. Így nincs módod megkülönböztetni a folyamatban lévő keresést egy beragadt kéréstől.

A doboz kinyitása a verbose_streaming segítségével

Csak add hozzá a verbose_streaming elemet az include paraméterhez, és az eszközhívások is megjelennek a streamben, ahogy történnek.

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)
    # Az eszközhívások is valós időben láthatók

Ezután látod, ahogy indulnak a webes keresések, megérkeznek az eredmények, és a vezető ügynök elkezd írni. Ebből közvetlenül három felhasználási mód adódik. Hibakeresésnél ellenőrizheted, hogy az ügynökök a várt irányba keresgélnek-e: ha a kérdésed a nyilvános reakciókra vonatkozik, de minden lekérdezés műszaki adatlapokat céloz meg, akkor a promptoddal van baj, nem a modellel. A felhasználói élmény szempontjából ezek az események táplálhatnak egy őszinte folyamatjelzőt – „források keresése“, „eredmények elemzése“ – egy általános pörgető ikon helyett. Végül pedig a monitorozás szempontjából utólag is megértheted, miért tartott egy percig egy kérés, mert látod, hány keresést indítottak el.

A titkosított tartalom nem ablak, hanem memória

A use_encrypted_content egy teljesen másik kérdésre ad választ. Nem tesz láthatóvá semmilyen gondolatmenetet olvasható szövegként: lehetővé teszi a modell számára, hogy megtartsa az ügynökök belső állapotát ugyanazon beszélgetés fordulói között.

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

Ha ez a paraméter aktív, a válasz tartalmaz egy titkosított blokkot, amely az alügynökök állapotát rögzíti: a kereséseik eredményeit és az összegyűjtött kontextust. A következő üzenetnél ez a blokk automatikusan visszakerül a modellhez, így az a már megtalált információkból indul ki, ahelyett, hogy mindent újra kiszámolna. Nem tudod elolvasni – ez a modellnek szól, nem az alkalmazásod naplófájljának.

A bekapcsolásáról szóló döntés egy egyszerű kritériumon múlik: felteszel-e több, egymáshoz kapcsolódó kérdést? Egy olyan munkamenet, ahol először egy áttekintést kérsz, majd mélyebben beleásod magad a harmadik pontba, egyértelműen profitál ebből, akárcsak egy hosszú vizsgálat, ahol a korábbi fordulók kontextusa a lényeg. Ezzel szemben egy elszigetelt kérdésnél, amely egyetlen választ vár és semmi mást, a titkosított blokk csak többletterhet jelent: minden fordulóban plusz tokeneket fogyaszt, amelyeket ugyanúgy számláznak, mint a többit.

Semmi sem akadályozza meg, hogy kombináld a két mechanizmust – sőt, ez a természetes beállítás egy interaktív kutatási asszisztenshez: valós időben követed a tevékenységet, a kontextus pedig megmarad egyik fordulóról a másikra.

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,
)

Főbb megállapítások

  • A verbose_streaming valós időben fedi fel az eszközhívásokat (hibakeresés, UX, monitorozás)
  • A use_encrypted_content megőrzi az alügynökök állapotát a beszélgetési fordulók között
  • A titkosított tartalom nem olvasható – a modellt szolgálja, nem téged
  • Kombináld mindkettőt interaktív kutatási munkamenetekhez
  • Csak akkor kapcsold be a titkosított tartalmat, ha több fordulós beszélgetésre számítasz