Przejdź do głównej treści
Polski— Wybierz język
Menu

Szczegółowe strumieniowanie i szyfrowana zawartość

Lekcja 8 z 14 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Śledzenie pracy agentów w czasie rzeczywistym
  2. Co pokazuje standardowe strumieniowanie
  3. Otwarcie pudełka dzięki verbose_streaming
  4. Szyfrowana zawartość to nie okno, to pamięć
  5. Kluczowe wnioski

Śledzenie pracy agentów w czasie rzeczywistym

Zapytanie wieloagentowe wymaga czasu, a im więcej agentów uruchomisz, tym dłużej trwa: przy 16 agentach pracujących nad szerokim tematem oczekiwanie wydłuża się do kilkudziesięciu sekund. Tymczasem Twoja aplikacja nie wie, co się dzieje, a użytkownik gapi się na zamarznięty ekran. Dwa mechanizmy rozwiązują ten problem, ale pełnią zupełnie inne funkcje: szczegółowe strumieniowanie (verbose streaming) otwiera okno na aktywność agentów podczas wnioskowania, natomiast szyfrowana zawartość zachowuje ich stan między kolejnymi turami rozmowy. Pomylanie ich prowadzi do włączenia niewłaściwego parametru i marnowania tokenów.

Co pokazuje standardowe strumieniowanie

W przypadku standardowego strumieniowania otrzymujesz wyłącznie końcowy tekst lidera generowany na bieżąco i nic więcej.

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
)
chat.append(user("My question"))

for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

To w zupełności wystarcza do większości integracji: wyświetlasz odpowiedź słowo po słowie, użytkownik widzi pojawiający się tekst i koniec. Problem leży jednak wcześniej. Dopóki podagenci przeszukują dane, a lider nie rozpoczął syntezy, strumień pozostaje pusty i nie masz sposobu, by odróżnić trwające wyszukiwanie od zawieszonego żądania.

Otwarcie pudełka dzięki verbose_streaming

Wystarczy dodać verbose_streaming do parametru include, aby wywołania narzędzi również pojawiały się w strumieniu w miarę ich realizacji.

from xai_sdk.tools import web_search, x_search

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=16,
    tools=[web_search(), x_search()],
    include=["verbose_streaming"],
)

chat.append(user("Analyze reactions to Apple's latest announcements"))

for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)
    # Wywołania narzędzi są również widoczne w czasie rzeczywistym

Widzisz wtedy, jak wychodzą zapytania do sieci, wracają wyniki, a lider zaczyna pisać. Wynikają z tego trzy bezpośrednie zastosowania. W celach debugowania sprawdzasz, czy agenci szukają we właściwym kierunku: jeśli Twoje pytanie dotyczy reakcji publicznych, a każde zapytanie celuje w karty katalogowe produktów, problem leży w prompcie, a nie w modelu. Dla doświadczenia użytkownika zdarzenia te zasilają rzetelny wskaźnik postępu – „wyszukiwanie źródeł“, „analiza wyników“ – zamiast genericznego wirującego ikony. Wreszcie, w celu monitorowania, możesz事后 zrozumieć, dlaczego żądanie trwało minutę, ponieważ wiesz, ile wyszukiwań zostało uruchomionych.

Szyfrowana zawartość to nie okno, to pamięć

use_encrypted_content odpowiada na inne pytanie. Nie ujawnia ono żadnego rozumowania w postaci zwykłego tekstu: pozwala modelowi zachować wewnętrzny stan agentów między turami w ramach tej samej rozmowy.

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

Gdy ten parametr jest aktywny, odpowiedź zawiera zaszyfrowany blok ze stanem podagentów: wynikami ich wyszukiwań i zgromadzonym kontekstem. Przy następnej wiadomości blok ten jest automatycznie odsyłany z powrotem, a model zaczyna od tego, co już zostało znalezione, zamiast przeliczać wszystko od nowa. Nie możesz tego odczytać – jest przeznaczone dla modelu, a nie dla logów Twojej aplikacji.

Decyzja o włączeniu tej opcji sprowadza się do prostego kryterium: czy zamierzasz zadać kilka powiązanych pytań? Sesja, w której najpierw prosisz o przegląd, a następnie o głębszą analizę trzeciego punktu, odnosi wyraźne korzyści, podobnie jak długie śledztwo, gdzie kontekst z poprzednich tur jest sednem sprawy. Przeciwnie, w przypadku izolowanego pytania, które wymaga jednej odpowiedzi i niczego więcej, zaszyfrowany blok to jedynie narzut: dodaje tokeny przy każdej turze, rozliczane tak jak wszystkie pozostałe.

Nic nie stoi na przeszkodzie, by łączyć oba mechanizmy – wręcz jest to naturalna konfiguracja dla interaktywnego asystenta badawczego: śledzisz aktywność na żywo, a kontekst przetrwa z jednej tury do następnej.

chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=16,
    tools=[web_search(), x_search()],
    include=["verbose_streaming"],
    use_encrypted_content=True,
)

Kluczowe wnioski

  • verbose_streaming ujawnia wywołania narzędzi w czasie rzeczywistym (debugowanie, UX, monitorowanie)
  • use_encrypted_content zachowuje stan podagentów między turami rozmowy
  • Szyfrowana zawartość nie jest czytelna – służy modelowi, a nie Tobie
  • Połącz oba mechanizmy dla interaktywnych sesji badawczych
  • Włącz szyfrowaną zawartość tylko wtedy, gdy oczekujesz rozmów wieloturowych