Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Sarunas vairākos soļos, izmantojot previous_response_id

Nodarbība 13 no 14 Atjaunota 2026. gada 29. jūlijs Programmētājs
Šajā lapā
  1. Pilnveido meklēšanu soli pa solim
  2. Ķēdē vaicājumus, izmantojot previous_response_id
  3. Trīs veidi, kā vadīt sesiju
  4. Tas pats, izmantojot xAI SDK
  5. Zinot, kad apturēt sesiju
  6. Galvenās atziņas

Pilnveido meklēšanu soli pa solim

Tu vari iedomāties multi-agent sistēmu kā vienreizējas vaicājuma mašīnu: viens milzīgs jautājums iekšā, pilnīgs ziņojums ārā. Tas ir tās neefektīvākais pielietojums. Patiesa izpēte norisinās soļos, kur katra atbilde paver nākamo jautājumu. Arī multi-agent sistēmas strādā šādi: ķēdē vaicājumus, saglabājot kontekstu, lai sāktu plaši un pēc tam sašaurinātu fokusu.

Ķēdē vaicājumus, izmantojot previous_response_id

Izmantojot Responses API, ķēdēšana balstās uz previous_response_id: tu nodod iepriekšējās atbildes ID katram izsaukumam, un modelis turpina pavedienu.

# 1. solis: pārskats
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. solis: padziļināta analīze (atsaucas uz iepriekšējo soli)
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. solis: mērķtiecīgs salīdzinājums
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,
)

Pievērs uzmanību spriešanas piepūles progresijai: low sākotnējai kartei, medium padziļinātai analīzei un high noslēdzošajam salīdzinājumam. Tas atspoguļo loģiku – netērē skaitļošanas jaudu, kamēr nezini, kur to ieguldīt. Aģenti zina, kas jau ir teikts, un katrā solī nepārbūvē pamatus no jauna.

Trīs veidi, kā vadīt sesiju

Piltuve: no plaša uz specifisku

Šī ir dabiskākā un ekonomiskākā trajektorija. Pirmajā solī, izmantojot četrus aģentus, tiek kartēta tēma un izcelti iespējamie leņķi. Otrajā solī, joprojām ar četriem aģentiem, tiek pietuvots konkrētajam aspektam, kas tevi interesē. Tikai trešajā solī tiek mobilizēti sešpadsmit aģenti, lai padziļināti analizētu identificēto punktu. Lielo komandu izvērš tikai tad, kad esi pārliecināts, ko meklē, nevis maksā par izsmeļošu izpēti, kur 90 % rezultātu tev nebūs noderīgi.

Sānu izpēte

Reizēm atbilde atklāj negaidītu leņķi. Tu jautā par LLM izvietošanas izaicinājumiem ražošanas vidē, līderis garāmejot piemin latentces problēmas, un tieši tur slēpjas tava projekta būtība. Nākamais solis sākas no šī pieminējuma – „tu minēji latentces problēmas, kādi risinājumi pastāv?” – un trešais salīdzina apspriestās semantiskās kešatmiņas pieejas. Katrs jautājums pārņem precīzu vokabulāru no iepriekšējā soļa, kas ievērojami uzlabo meklēšanas precizitāti.

Krusteniskā validācija

Šī pieeja prioritizē uzticamību pār atklājumiem. Tu pieprasi Mistral Large 3 veiktspējas etalontestus, pēcāk liec neatkarīgiem avotiem pārbaudīt šos skaitļus un noslēdzumā meklē pretrunas starp tiem. Trešais solis ir visinstruktīvākais: tas pārvērš pārliecinātu atbildi zināšanu stāvoklī, kur nenoteiktība ir skaidri izteikta.

Tas pats, izmantojot xAI SDK

Nativais SDK padara ķēdēšanu implicītu: objekts chat glabā vēsturi, tev tikai jāpievieno secīgi ziņojumi.

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

# 1. solis
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. solis (tas pats chat objekts = konteksts saglabāts)
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 šeit rada reālu atšķirību: bez tā tiek saglabāts tikai apmainītais teksts; ar to apakšaģentu iekšējais stāvoklis pāriet no soļa uz soli, uzlabojot meklēšanas nepārtrauktību.

Zinot, kad apturēt sesiju

Mehānismam ir robežas, un tās visas saistītas ar uzkrāšanos. Konteksts aug ar katru soli un galu galā piesātina konteksta logu; šķifrētais saturs veicina to, jo apakšaģentu stāvoklis aizņem vietu; konsekvence mazinās, līderim turot plašāku vēsturi; un izmaksas pieaug, jo par katru soli tiek tarifēti visi uzkrātie tokeni.

Praksē pieturies pie trim līdz pieciem soļiem vienā sesijā. Pārsniedzot šo robežu, atver jaunu sesiju ar sintezējošu uzdevumu, kas apkopo tavus secinājumus: šis tīrais, kondensētais konteksts bieži vien ir efektīvāks nekā izstieptā saruna, no kuras atsakies.

Galvenās atziņas

  • previous_response_id ķēdē vaicājumus, saglabājot kontekstu
  • Piltuves stratēģija (plašs → specifisks) optimizē izmaksas
  • use_encrypted_content=True saglabā apakšaģentu stāvokli starp soļiem
  • Ierobežo sevi ar 3–5 soļiem sesijā, lai uzturētu konsekvenci un kontrolētu izmaksas
  • Sāc ar 4 aģentiem un palielini to skaitu pēc vajadzības