Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Pokalbiai keliais etapais naudojant previous_response_id

Paskaita 13 iš 14 Atnaujinta 2026 m. liepos 29 d. Kūrėjas
Šiame puslapyje
  1. Tobulinkite paiešką žingsnis po žingsnio
  2. Grandininės užklausos naudojant previous_response_id
  3. Trys sesijos vykdymo būdai
  4. Tas pats naudojant xAI SDK
  5. Kada sustabdyti sesiją
  6. Svarbiausi punktai

Tobulinkite paiešką žingsnis po žingsnio

Gali atrodyti, kad multi-agent sistema yra vieno užklausos mechanizmas: įvedate vieną milžinišką klausimą ir gaunate pilną ataskaitą. Tai yra pats neefektyviausias jos panaudojimas. Tikras tyrimas vyksta žingsniais, kai kiekvienas atsakymas atveria kelią kitam klausimui. Multi-agent veikia taip pat: grandinine tvarka vykdykite užklausas išlaikydami kontekstą, pradėdami nuo bendro vaizdo ir palaipsniui susiaurindami fokusą.

Grandininės užklausos naudojant previous_response_id

Naudojant „Responses“ API, grandininis ryšys remiasi previous_response_id: kiekvienam kvietimui perduodate ankstesnio atsakymo ID, o modelis tęsia pokalbį nuo tos vietos.

# 1 etapas: apžvalga
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 etapas: giluminė analizė (nuoroda į ankstesnį etapą)
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 etapas: tikslus palyginimas
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,
)

Atkreipk dėmesį į samprotavimo pastangų progresiją: low (mažos) pradiniam žemėlapiui sudaryti, medium (vidutinės) gilesnei analizei ir high (didelės) galutiniam palyginimui. Tai atspindi vidinę logiką – nešvaistyk skaičiavimo galios, kol nežinai, kur ją nukreipti. Agentai žino, kas jau buvo pasakyta, ir kiekviename etape nepradeda visko iš naujo.

Trys sesijos vykdymo būdai

Piltuvas: nuo bendro prie specifinio

Tai natūraliausia ir ekonomiškiausia trajektorija. Pirmajame etape, naudojant keturis agentus, sudaromas temos žemėlapis ir iškeliami pagrindiniai aspektai. Antrajame etape, vis tiek naudojant keturis agentus, susitelkiama į vieną jums rūpimą kryptį. Tik trečiajame etape mobilizuojami šešiolika agentų, kad būtų išsamiai išanalizuotas identifikuotas punktas. Didelę komandą pasitelkiate tik tada, kai esate tikri, ko ieškote, užuot mokėję už išsamią paiešką, kurios 90 % jums bus nereikalingi.

Šoninė exploracija

Kartais atsakymas atskleidžia netikėtą kampą. Paklausiate apie LLM diegimo iššūkius gamyboje, lyderis praeinant pmini latencijos problemas ir būtent nuo to priklauso jūsų projektas. Kitame etape pradedate nuo šio minimo – „paminėjote latencijos problemas, kokie yra sprendimai?“ – o trečiajame lyginate aptartus semantinio talpyklos (caching) metodus. Kiekvienas klausimas perima tikslią ankstesnio etapo terminiją, o tai leidžia daug tiksliau nukreipti paieškas.

Kryžminis patikrinimas

Šis metodas skirtas patikimumui, o ne atradimams. Paprašykite „Mistral Large 3“ našumo rodiklių, tada paprašykite nepriklausomų šaltinių patikrinti šiuos duomenis ir baigkite ieškodami prieštaravimų tarp jų. Trečiasis etapas yra pats informatyviausias: jis patikimą atsakymą paverčia žinių būsena, kurioje neapibrėžtumas yra aiškiai įvardytas.

Tas pats naudojant xAI SDK

Natyvusis SDK daro grandininį ryšį numatytuoju: objektas chat saugo istoriją, jums tereikia pridėti nuoseklius pranešimus.

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

# 1 etapas
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 etapas (tas pats chat objektas = kontekstas išsaugotas)
chat.append(user("Deep dive into hybrid architectures"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

Čia use_encrypted_content=True turi realią reikšmę: be jo išsaugomas tik exchanged tekstas; su juo sub-agentų vidinė būsena išlieka nuo etapo iki etapo, o paieškos tęstinumas gerėja.

Kada sustabdyti sesiją

Šis mechanizmas turi ribų, susijusių su kaupimu. Kontekstas auga su kiekvienu etapu ir galiausiai užpildo konteksto langą; šifruotas turinys taip pat prie to prisideda, nes sub-agentų būsena užima vietą; nuoseklumas silpnėja, lyderiui kaupiant vis didesnę istoriją; auga ir kaštai, nes už kiekvieną etapą apmokestinami visi sukaupti tokenai.

Praktiškai laikykitės trijų iki penkių etapų vienai sesijai. Viršijus šią ribą, pradėkite naują sesiją su sintezės promptu, apibendrinančiu jūsų išvadas: šis švarus, sutankintas kontekstas dažnai būna efektyvesnis nei nutrauktas ištęstas pokalbis.

Svarbiausi punktai

  • previous_response_id sujungia užklausas išlaikant kontekstą
  • Piltuvo strategija (nuo bendro prie specifinio) optimizuoja kaštus
  • use_encrypted_content=True išsaugo sub-agentų būseną tarp etapų
  • Apribokite save 3–5 etapais vienai sesijai, kad išlaikytumėte nuoseklumą ir valdomus kaštus
  • Pradėkite nuo 4 agentų ir didinkite jų skaičių pagal poreikį