Przejdź do głównej treści
Polski— Wybierz język
Menu

Kompatybilność z OpenAI SDK

Lekcja 6 z 14 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Wykorzystanie trybu multi-agent przez OpenAI SDK
  2. Konfiguracja klienta
  3. Kontrola liczby agentów za pomocą reasoning.effort
  4. Mapowanie wysiłku na liczbę agentów
  5. Chat Completions nie jest obsługiwane
  6. Strumieniowanie z OpenAI SDK
  7. Zalety i ograniczenia tego podejścia
  8. Kluczowe wnioski

Wykorzystanie trybu multi-agent przez OpenAI SDK

Wiele zespołów zbudowało już swoją warstwę wywołań wokół OpenAI SDK, wraz z jego wrapperami, testami i konwencjami logowania. Dobra wiadomość: dostęp do trybu multi-agent w Grok nie zmusza Cię do przepisywania wszystkiego od nowa. xAI udostępnia API kompatybilne z formatem Responses od OpenAI, więc możesz继续使用 klienta OpenAI i po prostu skierować go na API xAI.

Konfiguracja klienta

Potrzebujesz tylko dwóch ustawień: bazowego URL xAI oraz swojego klucza API xAI.

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1",
)

Od tego momentu używasz API Responses jak zwykle, określając grok-4.20-multi-agent-0309 jako model. Reszta Twojego kodu wywołań pozostaje bez zmian.

Kontrola liczby agentów za pomocą reasoning.effort

To właśnie tutaj następuje tłumaczenie między tymi dwoma światami. Podczas gdy SDK xAI udostępnia jawny parametr agent_count, SDK OpenAI oferuje jedynie reasoning.effort – nie żądasz więc liczby agentów, lecz poziom wysiłku, który xAI konwertuje na konkretną liczbę agentów.

# 4 agenci (niski wysiłek)
response = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "low"},
    input=[{"role": "user", "content": "What are the latest open source models from 2026?"}],
)
print(response.output_text)
# 16 agentów (wysoki wysiłek)
response = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "high"},
    input=[{"role": "user", "content": "Compare the EU and US AI strategies in 2026"}],
)
print(response.output_text)

Mapowanie wysiłku na liczbę agentów

Pole to przyjmuje cztery wartości, ale generują one tylko dwa rozmiary zespołu: "low" i "medium" używają 4 agentów, podczas gdy "high" i "xhigh" używają 16.

Ten szczegół zasługuje na szczególną uwagę. Przejście z low na medium lub z high na xhigh nie zmienia liczby agentów: te pośrednie poziomy mogą wpływać na inne aspekty zachowania modelu, ale w obrębie każdej pary zespół pozostaje ten sam. Wyobraź sobie interfejs, w którym oferujesz użytkownikowi cztery poziomy głębokości badania – dostrzegłby on tylko dwa, a Twoje dwa dodatkowe przyciski jedynie wprowadziłyby zamęt w jego wyborze.

Chat Completions nie jest obsługiwane

Oto ograniczenie, które sprawia najwięcej problemów programistom przy pierwszej próbie: Chat Completions nie jest obsługiwane dla trybu multi-agent. Musisz użyć API Responses, czyli client.responses.create, a nie client.chat.completions.create.

# NIE DZIAŁA
response = client.chat.completions.create(
    model="grok-4.20-multi-agent-0309",
    messages=[{"role": "user", "content": "..."}],
)

To wywołanie zwróci błąd. Jeśli Twój istniejący kod opiera się wyłącznie na Chat Completions – co ma miejsce w wielu istniejących bazach kodu – zmiana ta nie polega jedynie na podmianie nazwy modelu: musisz zmigrować wywołanie do innego formatu danych wejściowych i wyjściowych. Oceń ten wysiłek, zanim obiecujesz integrację.

Strumieniowanie z OpenAI SDK

Strumieniowanie jest nadal dostępne, również przez API Responses:

stream = client.responses.create(
    model="grok-4.20-multi-agent-0309",
    reasoning={"effort": "low"},
    input=[{"role": "user", "content": "Summarize this week's tech announcements"}],
    stream=True,
)

for event in stream:
    if hasattr(event, 'delta') and event.delta:
        print(event.delta, end="", flush=True)

Warto pozostawić test hasattr(event, 'delta') w takiej formie: strumień zdarzeń API Responses zawiera więcej niż sam tekst, a ślepe odczytywanie event.delta przy każdym zdarzeniu wywołałoby wyjątek.

Zalety i ograniczenia tego podejścia

Główną zaletą tej ścieżki jest oszczędność czasu: nie instalujesz innego SDK, Twoi programiści otrzymują znajomą składnię, a przełączanie się między modelami xAI i OpenAI w tej samej bazie kodu staje się trywialne. Dla zespołu, który chce przetestować tryb multi-agent bez zobowiązywania się do pełnego projektu, jest to najkrótsza droga.

Wszystkie ograniczenia wynikają z tej samej przyczyny: korzystasz z warstwy kompatybilności, więc tracisz to, co specyficzne dla xAI. Nie masz dostępu do agent_count (zastąpionego pośrednią kontrolą przez reasoning.effort), verbose_streaming ani use_encrypted_content. Do tego dochodzi fakt, że mapowanie wysiłku na liczbę agentów pochodzi z API w wersji beta i może ulec zmianie: jeśli Twój produkt zależy konkretnie od liczby użytych agentów, natywne SDK pozostaje roztrożnym wyborem.

Kluczowe wnioski

  • OpenAI SDK działa z trybem multi-agent dzięki base_url="https://api.x.ai/v1"
  • Liczbę agentów kontrolujesz przez reasoning.effort (low/medium = 4, high/xhigh = 16)
  • Chat Completions NIE jest obsługiwane – używaj wyłącznie API Responses
  • Niektóre parametry dostępne tylko w SDK xAI (agent_count, verbose_streaming) są niedostępne