Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Contexto Multiturno: Armazenamento e Encriptação

Aula 9 de 12 Atualizada a 30 de julho de 2026 Avancado
Nesta página
  1. O Problema do Contexto Entre Pedidos
  2. Método 1: store_messages e previous_response_id
  3. Método 2: use_encrypted_content
  4. Escolha Entre os Dois Métodos
  5. Combinação com o Fluxo de Trabalho Híbrido
  6. Pontos-chave

O Problema do Contexto Entre Pedidos

Numa conversa multiturno com ferramentas, o volume de contexto cresce rapidamente. Cada chamada de ferramenta adiciona os seus resultados ao fio da mensagem, e o raciocínio interno do modelo deve ser preservado para garantir a consistência. Dois mecanismos resolvem este problema: armazenamento remoto e encriptação no lado do cliente.

Método 1: store_messages e previous_response_id

O armazenamento remoto delega a gestão do contexto aos servidores da xAI. Ative store_messages=True no seu primeiro pedido e, em seguida, encadeie os pedidos subsequentes com previous_response_id:

# Primeiro pedido: ativar armazenamento
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  # guardar o ID

# Próximo pedido: usar o contexto armazenado
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
)

Com esta abordagem, não precisa de reenviar o histórico completo de mensagens. O servidor da xAI mantém o contexto e anexa-o automaticamente. Isto reduz o tamanho do pedido e simplifica o seu código.

Vantagens

  • Pedidos mais leves (sem necessidade de reenviar o histórico completo)
  • O raciocínio interno do modelo é preservado automaticamente
  • Sem gestão de estado complexa no lado do cliente

Limitações

  • As mensagens são armazenadas nos servidores da xAI (consideração de privacidade)
  • O response_id deve ser mantido entre pedidos
  • O armazenamento tem um período de retenção limitado

Método 2: use_encrypted_content

A encriptação no lado do cliente oferece uma alternativa para casos em que deseja manter o controlo do contexto sem armazenar os seus dados nos servidores da xAI:

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

# O raciocínio e os resultados das ferramentas são devolvidos encriptados
# Adicione-os tal como estão às mensagens subsequentes
messages = [
    {"role": "user", "content": "Analyze this contract"},
    response.choices[0].message,  # contém conteúdo encriptado
    {"role": "user", "content": "What are the termination clauses?"}
]

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

Com use_encrypted_content=True, o raciocínio interno e os resultados das ferramentas são devolvidos sob forma encriptada. Não os consegue ler, mas reenvia-os em pedidos subsequentes. O servidor desencripta-os para manter a continuidade do raciocínio.

Vantagens

  • O contexto permanece sob o seu controlo (sem armazenamento remoto)
  • O raciocínio interno é preservado sem ser exposto em texto simples
  • Compatível com políticas de privacidade rigorosas

Limitações

  • Os pedidos são maiores (o conteúdo encriptado é incluído)
  • Deve gerir o histórico de mensagens no lado do cliente

Escolha Entre os Dois Métodos

A escolha depende do seu contexto:

  • store_messages: preferível para aplicações de chat, assistentes interativos e casos onde a simplicidade é prioritária. O contexto é gerido automaticamente.
  • use_encrypted_content: preferível para aplicações sensíveis, processamento de documentos confidenciais e casos onde os dados não devem sair da sua infraestrutura (para além do trânsito da API).

Combinação com o Fluxo de Trabalho Híbrido

Ambos os métodos integram-se no padrão de ciclo visto na lição anterior:

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

Este padrão encadeia perguntas enquanto preserva o contexto completo da conversa, incluindo resultados de ferramentas e o raciocínio interno do modelo.

Pontos-chave

  • store_messages=True + previous_response_id delega a gestão do contexto à xAI
  • use_encrypted_content=True preserva o raciocínio sem armazenamento remoto
  • A escolha depende das suas restrições de privacidade e simplicidade
  • Ambos os métodos são compatíveis com fluxos de trabalho multiturno e ferramentas híbridas
  • previous_response_id elimina a necessidade de reenviar o histórico completo de mensagens