Przejdź do głównej treści
Polski— Wybierz język
Menu

Rozmowy wieloetapowe z użyciem previous_response_id

Lekcja 13 z 14 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Udoskonalaj wyszukiwanie krok po kroku
  2. Łącz zapytania za pomocą previous_response_id
  3. Trzy sposoby prowadzenia sesji
  4. To samo z xAI SDK
  5. Kiedy zakończyć sesję
  6. Kluczowe wnioski

Udoskonalaj wyszukiwanie krok po kroku

Możesz wyobrażać sobie multi-agent jako maszynę do pojedynczych zapytań: jedno ogromne pytanie na wejściu, kompletny raport na wyjściu. To najmniej efektywne wykorzystanie tego narzędzia. Prawdziwe śledztwo przebiega etapami, gdzie każda odpowiedź otwiera drogę do kolejnego pytania. Multi-agent działa podobnie: łącz zapytania w łańcuch, zachowując kontekst, aby zacząć szeroko, a następnie zawęzić pole poszukiwań.

Łącz zapytania za pomocą previous_response_id

W przypadku Responses API łączenie w łańcuch opiera się na previous_response_id: przekazujesz ID poprzedniej odpowiedzi do każdego wywołania, a model kontynuuje wątek.

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

# Etap 2: dogłębna analiza (odwołuje się do poprzedniego etapu)
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,
)

# Etap 3: ukierunkowane porównanie
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,
)

Zwróć uwagę na progresję wysiłku rozumowania: low dla wstępnej mapy, medium dla dogłębnej analizy, high dla końcowego porównania. Odzwierciedla to podstawową logikę – nie marnuj mocy obliczeniowej, dopóki nie wiesz, na co ją przeznaczyć. Agenci wiedzą, co już zostało powiedziane, i nie budują wszystkiego od nowa w każdym etapie.

Trzy sposoby prowadzenia sesji

Lejek: od ogółu do szczegółu

To najbardziej naturalna i ekonomiczna ścieżka. Pierwszy etap, uruchomiony z czterema agentami, mapuje temat i wydobywa różne kąty natarcia. Drugi etap, nadal z czterema agentami, przybliża ten, który Cię interesuje. Dopiero trzeci etap mobilizuje szesnaście agentów, aby dogłębnie przeanalizować zidentyfikowany punkt. Rozwijaszesz duży zespół dopiero wtedy, gdy masz pewność, czego szukasz, zamiast płacić za wyczerpujące eksploracje, z których 90% Ci nie posłuży.

Eksploracja boczna

Czasami odpowiedź ujawnia nieoczekiwany wątek. Pytasz o wyzwania związane z wdrażaniem LLM w produkcji, lider wspomina mimochodem o problemach z opóźnieniami i to właśnie tam tkwi sedno Twojego projektu. Następny etap zaczyna się od tej wzmianki – „wspomniałeś o problemach z opóźnieniami, jakie istnieją rozwiązania?“ – a trzeci porównuje omawiane podejścia do pamięci podręcznej semantycznej. Każde pytanie nawiązuje do dokładnego słownictwa z poprzedniego etapu, co znacznie lepiej ukierunkowuje wyszukiwanie.

Krzyżowa walidacja

To podejście stawia na niezawodność, a nie na odkrywczość. Prosisz o benchmarki wydajności dla Mistral Large 3, następnie prosisz niezależne źródła o weryfikację tych liczb, a na końcu szukasz sprzeczności między nimi. Trzeci etap jest najbardziej pouczający: zamienia pewną odpowiedź w stan wiedzy, w którym niepewność jest wyraźnie zaznaczona.

To samo z xAI SDK

Natywny SDK sprawia, że łączenie w łańcuch jest domyślne: obiekt chat przechowuje historię, Ty jedynie dodajesz kolejne wiadomości.

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

# Etap 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)

# Etap 2 (ten sam obiekt chat = zachowany kontekst)
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 robi tu realną różnicę: bez tego parametru zachowywany jest tylko wymieniany tekst; z nim wewnętrzny stan pod-agentów przetrwa z etapu na etap, co poprawia ciągłość wyszukiwania.

Kiedy zakończyć sesję

Mechanizm ma swoje ograniczenia, wszystkie związane z akumulacją. Kontekst rośnie z każdym etapem i w końcu wypełnia okno kontekstowe; zaszyfrowana treść również się do tego przyczynia, ponieważ stan pod-agentów zajmuje miejsce; spójność maleje, gdy lider posiada coraz obszerniejszą historię; a koszty rosną, ponieważ każdy etap rozlicza wszystkie zgromadzone tokeny.

W praktyce ogranicz się do trzech do pięciu etapów na sesję. Powyżej tej liczby otwórz nową sesję z monitem syntezy, podsumowującym Twoje wnioski: taki czysty, skondensowany kontekst często okazuje się skuteczniejszy niż rozciągnięta rozmowa, którą porzucasz.

Kluczowe wnioski

  • previous_response_id łączy zapytania w łańcuch, zachowując kontekst
  • Strategia lejka (od ogółu do szczegółu) optymalizuje koszty
  • use_encrypted_content=True zachowuje stan pod-agentów między etapami
  • Ogranicz się do 3–5 etapów na sesję, aby utrzymać spójność i kontrolować koszty
  • Zacznij od 4 agentów i zwiększaj ich liczbę w miarę potrzeb