Conversazioni multi-turno con previous_response_id
In questa pagina
Affina la ricerca turno per turno
Potresti immaginare il multi-agente come una macchina a query singola: una domanda enorme in ingresso, un rapporto completo in uscita. È il suo utilizzo meno efficiente. La vera indagine procede per passi, dove ogni risposta apre la domanda successiva. Il multi-agente funziona allo stesso modo: concatena le query mantenendo il contesto per partire dall’ampio e poi restringere il campo.
Concatena le query con previous_response_id
Con le Responses API, la concatenazione si basa su previous_response_id: passi l’ID della risposta precedente a ogni chiamata e il modello riprende il filo del discorso.
# Turn 1: overview
response1 = client.responses.create(
model="grok-4.20-multi-agent-0309",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Overview of RAG frameworks in 2026"}],
)
# Turn 2: deep dive (references previous turn)
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,
)
# Turn 3: targeted comparison
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,
)
Nota la progressione nello sforzo di ragionamento: low per la mappa iniziale, medium per l’approfondimento, high per il confronto finale. Questo riflette una logica di fondo: non sprecare potenza di calcolo finché non sai esattamente su cosa concentrarla. Gli agenti sanno cosa è già stato detto e non ricostruiscono le basi a ogni turno.
Tre modi per eseguire una sessione
L’imbuto, dall’ampio allo specifico
Questa è la traiettoria più naturale ed economica. Il primo turno, eseguito con quattro agenti, mappa l’argomento e fa emergere le diverse angolazioni. Il secondo, sempre con quattro agenti, si concentra su quella che ti interessa. Solo al terzo turno mobiliti sedici agenti per analizzare in profondità il punto identificato. Schieri il grande team solo quando sei sicuro di ciò che cerchi, invece di pagare per un’esplorazione esaustiva dove il 90% non ti servirà.
Esplorazione laterale
A volte una risposta rivela un’angolatura inaspettata. Chiedi informazioni sulle sfide di deployment degli LLM in produzione, il leader menziona di passaggio problemi di latenza ed è proprio lì che il tuo progetto si gioca. Il turno successivo parte da quel accenno: «hai menzionato problemi di latenza, quali soluzioni esistono?», poi il terzo confronta gli approcci di caching semantico discussi. Ogni domanda riprende esattamente il vocabolario del turno precedente, mirando le ricerche in modo molto più preciso.
Cross-validazione
Questo approccio punta sull’affidabilità piuttosto che sulla scoperta. Chiedi i benchmark delle prestazioni di Mistral Large 3, poi fai verificare quelle cifre da fonti indipendenti e infine cerchi le contraddizioni tra di esse. Il terzo turno è il più istruttivo: trasforma una risposta sicura in uno stato della conoscenza dove l’incertezza è esplicita.
La stessa cosa con l’SDK xAI
L’SDK nativo rende la concatenazione implicita: l’oggetto chat contiene la cronologia, devi solo aggiungere messaggi successivi.
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
use_encrypted_content=True,
)
# Turn 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)
# Turn 2 (same chat object = context preserved)
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 fa qui una vera differenza: senza di esso, viene mantenuto solo il testo scambiato; con esso, lo stato interno dei sotto-agenti sopravvive da un turno all’altro, migliorando la continuità della ricerca.
Sapere quando fermare una sessione
Il meccanismo ha dei limiti, tutti legati all’accumulo. Il contesto cresce a ogni turno e alla fine satura la finestra di contesto; il contenuto crittografato contribuisce a questo, poiché lo stato dei sotto-agenti occupa spazio; la coerenza si erode man mano che il leader gestisce una cronologia sempre più vasta; e i costi seguono la stessa curva, poiché ogni turno fattura tutti i token accumulati.
In pratica, limitati a tre-cinque turni per sessione. Oltre questa soglia, apri una nuova sessione con un prompt di sintesi che riassuma le tue conclusioni: questo contesto pulito e condensato si rivela spesso più efficace della conversazione stiracchiata che abbandoni.
Punti chiave
previous_response_idconcatena le query mantenendo il contesto- La strategia a imbuto (ampio → specifico) ottimizza i costi
use_encrypted_content=Truepreserva lo stato dei sotto-agenti tra i turni- Limitati a 3-5 turni per sessione per mantenere coerenza e costi gestibili
- Inizia con 4 agenti e aumenta solo se necessario