Rozmowy wieloetapowe z wykorzystaniem narzędzi
Na tej stronie
Rozmowy wieloetapowe z wywoływaniem funkcji
W rzeczywistej rozmowie model może potrzebować wywołać narzędzia wielokrotnie w trakcie wymiany zdań. Każdy etap może wiązać się z nowymi wywołaniami, wynikami uruchamiającymi kolejne funkcje lub prośbami o doprecyzowanie skierowanymi do użytkownika przed użyciem narzędzia.
Parametr max_turns
Parametr max_turns ogranicza liczbę etapów asystent/narzędzie po stronie serwera w ramach pojedynczego żądania. Dotyczy on wyłącznie wbudowanych narzędzi (web_search, code_interpreter itp.).
response = client.responses.create(
model="grok-4.5",
input="Analyze 2026 tech trends",
tools=[{"type": "web_search"}],
max_turns=5 # Maximum 5 web searches before responding
)
Ważna uwaga: wywołania narzędzi po stronie klienta resetują licznik. Gdy odeślesz function_call_output, rozpoczyna się nowy przydział max_turns.
Pętla wieloetapowa po stronie klienta
Aby zarządzać rozmowami, w których model wielokrotnie wywołuje narzędzia, zaimplementuj pętlę:
import json
def multi_turn_chat(user_message, tools, max_iterations=10):
messages = [{"role": "user", "content": user_message}]
for i in range(max_iterations):
response = client.chat.completions.create(
model="grok-4.5",
messages=messages,
tools=tools
)
message = response.choices[0].message
messages.append(message)
# If no tool_call, the conversation is over
if not message.tool_calls:
return message.content
# Execute all requested tools
for tool_call in message.tool_calls:
args = json.loads(tool_call.function.arguments)
result = execute_function(tool_call.function.name, args)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result)
})
return "Maximum number of iterations reached"
Zmienna max_iterations stanowi kluczowe zabezpieczenie przed nieskończonymi pętlami. W środowisku produkcyjnym ustaw rozsądny limit (5–10 etapów).
Kontekst wieloetapowy w API Responses
API Responses oferuje dwa mechanizmy utrzymania kontekstu:
1. Przechowywanie zdalne
# First message
r1 = client.responses.create(
model="grok-4.5",
input="What's the weather like in Paris?",
tools=tools,
store_messages=True
)
# Tool result
r2 = client.responses.create(
model="grok-4.5",
input=[{
"type": "function_call_output",
"call_id": r1.output[0].call_id,
"output": {temp: 18}
}],
previous_response_id=r1.id,
store_messages=True
)
# Follow-up question (context is preserved)
r3 = client.responses.create(
model="grok-4.5",
input="What about tomorrow?",
previous_response_id=r2.id,
tools=tools,
store_messages=True
)
Zaleta: nie musisz zarządzać historią wiadomości. xAI przechowuje ją i pobiera automatycznie dzięki previous_response_id.
2. Szyfrowana zawartość po stronie klienta
response = client.responses.create(
model="grok-4.5",
input="Search for flight prices to Nice",
tools=tools,
use_encrypted_content=True
)
Dzięki use_encrypted_content=True otrzymujesz rozumowanie i wyniki działania narzędzi w formie zaszyfrowanej. Odesyłasz je bez zmian w kolejnych żądaniach, nie mając możliwości ich odczytania. Jest to przydatne, gdy nie chcesz, aby dane przesyłane były jawnym tekstem przez Twój serwer.
Wzorce rozmów wieloetapowych
Wzorzec: Wyszukiwanie, a następnie działanie
Turn 1 : User → "Find a cheap Paris-Nice flight"
Model → tool_call: search_flights(from="CDG", to="NCE")
Client → result : [{flight1}, {flight2}, {flight3}]
Turn 2 : Model → "I found 3 flights. The cheapest is €89. Do you want to book it?"
User → "Yes, book the €89 flight"
Turn 3 : Model → tool_call: book_flight(flight_id="FL123", passengers=1)
Wzorzec: Agregacja danych
Turn 1 : Model → tool_call: get_sales(month="march")
Turn 2 : Model → tool_call: get_expenses(month="march")
Turn 3 : Model → tool_call: get_headcount(month="march")
Turn 4 : Model → "Here is the monthly report: sales +12%, expenses -3%, headcount stable."
Wzorzec: Stopniowe doprecyzowywanie
Turn 1 : Model → tool_call: search_products(query="running shoes")
Result → 150 products
Turn 2 : Model → "I found 150 products. What size and budget?"
User → "42, max €120"
Turn 3 : Model → tool_call: search_products(query="running shoes", size=42, max_price=120)
Result → 8 products
Zarządzanie pamięcią
W długich rozmowach historia – zawierająca każde tool_call i każdy wynik narzędzia – szybko rośnie, a wraz z nią koszt każdego etapu. Masz do dyspozycji trzy strategie, od manualnych po w pełni delegowane. Okresowe podsumowywanie kondensuje starsze etapy w akapit wstrzykiwany do promptu systemowego: zachowujesz sedno wcześniejszych wymian za ułamek ich wagi tokenowej, kosztem utraty pewnych szczegółów. Okno przesuwne jest bardziej radykalne, ale prostsze: przechowuj tylko ostatnie N etapów, godząc się z tym, że model „zapomni“ początek rozmowy – rozwiązanie odpowiednie, gdy starsze wymiany nie mają już znaczenia operacyjnego. Przechowywanie zdalne w końcu deleguje problem do xAI dzięki store_messages=True: historia żyje po stronie serwera, a Twoja aplikacja przechowuje jedynie odniesienie. Właściwy wybór zależy od tego, co Twoja aplikacja musi pamiętać i jak długo.
Kluczowe wnioski
max_turnsogranicza etapy narzędziowe po stronie serwera – narzędzia klienckie resetują licznik- Zaimplementuj pętlę z
max_iterations, aby zapobiec nieskończonym pętlom previous_response_idłączy rozmowy bez konieczności ponownego wysyłania historiistore_messages=Truedeleguje przechowywanie kontekstu do xAIuse_encrypted_content=Truechroni dane w tranzycie- Zarządzaj pamięcią w długich rozmowach (podsumowywanie, okno przesuwne)