Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Gesprekken over meerdere beurten met previous_response_id

Les 13 van 14 Bijgewerkt op 29 juli 2026 Ontwikkelaar
Op deze pagina
  1. Verfijn het onderzoek beurt voor beurt
  2. Koppel vragen met previous_response_id
  3. Drie manieren om een sessie uit te voeren
  4. Hetzelfde met de xAI SDK
  5. Weten wanneer u een sessie moet stoppen
  6. Belangrijkste punten

Verfijn het onderzoek beurt voor beurt

U kunt zich multi-agent voorstellen als een machine voor enkele vragen: één enorme vraag erin, een compleet rapport eruit. Dat is het minst efficiënte gebruik ervan. Echt onderzoek verloopt in stappen, waarbij elk antwoord de volgende vraag opent. Multi-agent werkt ook zo: koppel vragen aan elkaar terwijl u de context behoudt om breed te beginnen en vervolgens in te zoomen.

Koppel vragen met previous_response_id

Bij de Responses API vertrouwt het koppelen op previous_response_id: u geeft de ID van het vorige antwoord door aan elke oproep, en het model pakt de draad weer op.

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

# Beurt 2: verdieping (verwijst naar vorige beurt)
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,
)

# Beurt 3: gerichte vergelijking
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,
)

Let op de progressie in redeneerinspanning: low voor de initiële kaart, medium voor de verdieping, high voor de uiteindelijke vergelijking. Dit weerspiegelt onderliggende logica: verspil geen rekenkracht totdat u weet waarop u deze wilt inzetten. De agenten weten wat er al is gezegd en bouwen niet bij elke beurt het fundament opnieuw op.

Drie manieren om een sessie uit te voeren

De trechter, van breed naar specifiek

Dit is de meest natuurlijke en zuinige traject. De eerste beurt, uitgevoerd met vier agenten, brengt het onderwerp in kaart en legt invalshoeken bloot. De tweede, nog steeds met vier agenten, zoomt in op degene die u aangaat. Pas in de derde beurt worden zestien agenten ingezet om het geïdentificeerde punt diepgaand te analyseren. U zet het grote team pas in wanneer u zeker weet wat u zoekt, in plaats van te betalen voor een uitputtende verkenning waarvan 90% u niet zal dienen.

Zijwaartse verkenning

Soms onthult een antwoord een onverwachte invalshoek. U vraagt naar uitdagingen bij de implementatie van LLM’s in productie, de leider noemt terloops latentieproblemen, en daar hangt uw project van af. De volgende beurt vertrekt vanuit die vermelding—“u noemde latentieproblemen, welke oplossingen bestaan er?”—en de derde vergelijkt de besproken semantische caching-benaderingen. Elke vraag pikt de exacte woordenschat van de vorige beurt op, wat zoekopdrachten veel gerichter maakt.

Kruisvalidatie

Deze aanpak streeft naar betrouwbaarheid boven ontdekking. U vraagt naar prestatiebenchmarks voor Mistral Large 3, laat vervolgens onafhankelijke bronnen die cijfers verifiëren en eindigt met het zoeken naar tegenstrijdigheden tussen hen. De derde beurt is het meest leerzaam: deze verandert een zeker lijkend antwoord in een kennisstaat waarin onzekerheid expliciet wordt gemaakt.

Hetzelfde met de xAI SDK

De native SDK maakt koppelen impliciet: het chat-object bewaart de geschiedenis, u voegt gewoon opeenvolgende berichten toe.

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

# Beurt 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)

# Beurt 2 (zelfde chat-object = context behouden)
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 maakt hier een echt verschil: zonder dit wordt alleen de uitgewisselde tekst bewaard; met deze instelling blijft de interne staat van de sub-agenten van beurt tot beurt behouden en verbetert de continuïteit van het onderzoek.

Weten wanneer u een sessie moet stoppen

Het mechanisme heeft grenzen, die allemaal te maken hebben met accumulatie. De context groeit met elke beurt en verzadigt uiteindelijk het contextvenster; versleutelde inhoud draagt hieraan bij, waarbij de staat van sub-agenten ruimte inneemt; de consistentie neemt af naarmate de leider een uitgebreidere geschiedenis beheert; en de kosten volgen, waarbij elke beurt alle geaccumuleerde tokens factureert.

Houd het in de praktijk bij drie tot vijf beurten per sessie. Ga daarboven een nieuwe sessie openen met een syntheseprompt die uw conclusies samenvat: deze schone, gecondenseerde context blijkt vaak effectiever dan het uitgerekte gesprek dat u achterlaat.

Belangrijkste punten

  • previous_response_id koppelt vragen terwijl de context behouden blijft
  • De trechterstrategie (breed → specifiek) optimaliseert de kosten
  • use_encrypted_content=True behoudt de staat van sub-agenten tussen beurten
  • Beperk uzelf tot 3-5 beurten per sessie om consistentie en kosten beheersbaar te houden
  • Begin met 4 agenten en verhoog dit aantal indien nodig