Przejdź do głównej treści
Polski— Wybierz język
Menu

Kontekst wieloetapowy: przechowywanie i szyfrowanie

Lekcja 9 z 12 Zaktualizowano 30 lipca 2026 Zaawansowany
Na tej stronie
  1. Problem kontekstu między żądaniami
  2. Metoda 1: store_messages i previous_response_id
  3. Metoda 2: use_encrypted_content
  4. Wybór między obiema metodami
  5. Łączenie z przepływem pracy hybrydowej
  6. Kluczowe wnioski

Problem kontekstu między żądaniami

W rozmowie wieloetapowej z wykorzystaniem narzędzi objętość kontekstu rośnie bardzo szybko. Każde wywołanie narzędzia dodaje swoje wyniki do wątku wiadomości, a wewnętrzny proces rozumowania modelu musi zostać zachowany dla zapewnienia spójności. Dwa mechanizmy rozwiązują ten problem: zdalne przechowywanie i szyfrowanie po stronie klienta.

Metoda 1: store_messages i previous_response_id

Zdalne przechowywanie deleguje zarządzanie kontekstem na serwery xAI. Włączasz store_messages=True w swoim pierwszym żądaniu, a następnie łączysz kolejne żądania za pomocą previous_response_id:

# Pierwsze żądanie: włącz przechowywanie
response = await client.chat.completions.create(
    model="grok-4.5",
    messages=[{"role": "user", "content": "Analyze this sales dataset"}],
    tools=my_tools,
    store_messages=True
)

response_id = response.id  # zapisz identyfikator

# Następne żądanie: użyj zapisanego kontekstu
response2 = await client.chat.completions.create(
    model="grok-4.5",
    messages=[{"role": "user", "content": "What are the top 3 selling products?"}],
    previous_response_id=response_id,
    store_messages=True
)

Dzięki temu podejściu nie musisz ponownie wysyłać pełnej historii wiadomości. Serwer xAI przechowuje kontekst i dołącza go automatycznie. Zmniejsza to rozmiar żądania i upraszcza Twój kod.

Zalety

  • Lżejsze żądania (brak konieczności ponownego wysyłania pełnej historii)
  • Wewnętrzny proces rozumowania modelu jest zachowywany automatycznie
  • Brak złożonego zarządzania stanem po stronie klienta

Ograniczenia

  • Wiadomości są przechowywane na serwerach xAI (kwestia prywatności)
  • Należy zachować response_id między żądaniami
  • Przechowywanie ma ograniczony czas retencji

Metoda 2: use_encrypted_content

Szyfrowanie po stronie klienta stanowi alternatywę w przypadkach, gdy chcesz zachować kontrolę nad kontekstem bez przechowywania danych na serwerach xAI:

# Włącz szyfrowaną zawartość
response = await client.chat.completions.create(
    model="grok-4.5",
    messages=[{"role": "user", "content": "Analyze this contract"}],
    tools=my_tools,
    use_encrypted_content=True
)

# Rozumowanie i wyniki narzędzi są zwracane w postaci zaszyfrowanej
# Dodajesz je bez zmian do kolejnych wiadomości
messages = [
    {"role": "user", "content": "Analyze this contract"},
    response.choices[0].message,  # zawiera zaszyfrowaną zawartość
    {"role": "user", "content": "What are the termination clauses?"}
]

response2 = await client.chat.completions.create(
    model="grok-4.5",
    messages=messages,
    use_encrypted_content=True
)

Gdy use_encrypted_content=True, wewnętrzne rozumowanie i wyniki narzędzi są zwracane w formie zaszyfrowanej. Nie możesz ich odczytać, ale odsyłasz je w kolejnych żądaniach. Serwer odszyfrowuje je, aby utrzymać ciągłość rozumowania.

Zalety

  • Kontekst pozostaje pod Twoją kontrolą (brak zdalnego przechowywania)
  • Wewnętrzne rozumowanie jest zachowywane bez ujawniania w postaci zwykłego tekstu
  • Zgodność ze ścisłymi politykami prywatności

Ograniczenia

  • Żądania są większe (dołączona jest zaszyfrowana zawartość)
  • Musisz zarządzać historią wiadomości po stronie klienta

Wybór między obiema metodami

Wybór zależy od Twojego kontekstu:

  • store_messages: preferowane w aplikacjach czatowych, interaktywnych asystentach i przypadkach, gdzie priorytetem jest prostota. Kontekst jest zarządzany automatycznie.
  • use_encrypted_content: preferowane w aplikacjach wrażliwych, przy przetwarzaniu dokumentów poufnych oraz w przypadkach, gdy dane nie mogą opuszczać Twojej infrastruktury (poza transmisją przez API).

Łączenie z przepływem pracy hybrydowej

Obie metody integrują się ze wzorcem pętli omówionym w poprzedniej lekcji:

async def multi_turn_conversation(questions: list[str]) -> list[str]:
    responses = []
    previous_id = None

    for question in questions:
        kwargs = {
            "model": "grok-4.5",
            "messages": [{"role": "user", "content": question}],
            "tools": my_tools,
            "store_messages": True,
        }
        if previous_id:
            kwargs["previous_response_id"] = previous_id

        response = await client.chat.completions.create(**kwargs)
        previous_id = response.id
        responses.append(response.choices[0].message.content)

    return responses

Wzorzec ten łączy pytania, zachowując pełny kontekst rozmowy, w tym wyniki działania narzędzi i wewnętrzny proces rozumowania modelu.

Kluczowe wnioski

  • store_messages=True + previous_response_id deleguje zarządzanie kontekstem na xAI
  • use_encrypted_content=True zachowuje rozumowanie bez zdalnego przechowywania
  • Wybór zależy od wymagań dotyczących prywatności i prostoty
  • Obie metody są kompatybilne z przepływami pracy wieloetapowymi i narzędziami hybrydowymi
  • previous_response_id eliminuje konieczność ponownego wysyłania pełnej historii wiadomości