Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Conversas multi-turno com previous_response_id

Aula 13 de 14 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Refine a pesquisa turno a turno
  2. Encadeie consultas com previous_response_id
  3. Três formas de executar uma sessão
  4. O mesmo com o SDK da xAI
  5. Saber quando parar uma sessão
  6. Pontos-chave

Refine a pesquisa turno a turno

Poderia imaginar o sistema multi-agente como uma máquina de consulta única: uma pergunta enorme entra, um relatório completo sai. Essa é a sua utilização menos eficiente. A investigação real avança por etapas, onde cada resposta abre a próxima pergunta. O sistema multi-agente funciona da mesma forma: encadeie consultas mantendo o contexto para começar de forma ampla e, depois, afunilar.

Encadeie consultas com previous_response_id

Com a API de Respostas, o encadeamento depende do previous_response_id: passa o ID da resposta anterior a cada chamada e o modelo retoma o fio da meada.

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

# Turn 2: deep dive (references previous turn)
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,
)

# Turn 3: targeted comparison
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,
)

Observe a progressão no esforço de raciocínio: low para o mapa inicial, medium para a análise aprofundada e high para a comparação final. Isto reflete uma lógica subjacente: não gaste poder de computação até saber onde o aplicar. Os agentes sabem o que já foi dito e não reconstruem as bases a cada turno.

Três formas de executar uma sessão

O funil, do geral para o específico

Esta é a trajetória mais natural e económica. No primeiro turno, execute com quatro agentes para mapear o assunto e destacar ângulos relevantes. No segundo, ainda com quatro agentes, foque-se naquele que lhe interessa. Apenas no terceiro turno mobilize dezasseis agentes para analisar o ponto identificado em profundidade. Desdobra a grande equipa apenas quando tem a certeza do que procura, em vez de pagar por uma exploração exaustiva onde 90% não lhe servirá.

Exploração lateral

Por vezes, uma resposta revela um ângulo inesperado. Pergunta sobre os desafios da implementação de LLM em produção, o líder menciona problemas de latência de passagem e é aí que o seu projeto se decide. O turno seguinte parte dessa menção — «mencionou problemas de latência, que soluções existem?» — e o terceiro compara as abordagens de cache semântico discutidas. Cada pergunta retoma o vocabulário exato do turno anterior, o que direciona muito melhor as pesquisas.

Validação cruzada

Esta abordagem privilegia a fiabilidade em detrimento da descoberta. Solicita benchmarks de desempenho do Mistral Large 3, pede depois a fontes independentes que verifiquem esses valores e termina procurando contradições entre eles. O terceiro turno é o mais instrutivo: transforma uma resposta assegurada num estado de conhecimento onde a incerteza é explícita.

O mesmo com o SDK da xAI

O SDK nativo torna o encadeamento implícito: o objeto chat guarda o histórico, basta adicionar mensagens sucessivas.

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

# Turn 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)

# Turn 2 (same chat object = context preserved)
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 faz aqui uma diferença real: sem isto, apenas o texto trocado é mantido; com isto, o estado interno dos subagentes sobrevive de turno para turno e a continuidade da pesquisa melhora.

Saber quando parar uma sessão

O mecanismo tem limites, todos relacionados com a acumulação. O contexto cresce a cada turno e acaba por saturar a janela de contexto; o conteúdo encriptado contribui para isso, pois o estado dos subagentes ocupa espaço; a consistência erosiona à medida que o líder detém um histórico mais vasto; e os custos seguem a mesma lógica, com cada turno a faturar todos os tokens acumulados.

Na prática, limite-se a três a cinco turnos por sessão. Para além disso, abra uma nova sessão com um prompt de síntese que resuma as suas conclusões: este contexto limpo e condensado revela-se frequentemente mais eficaz do que a conversa esticada que abandona.

Pontos-chave

  • previous_response_id encadeia consultas mantendo o contexto
  • A estratégia de funil (geral → específico) otimiza custos
  • use_encrypted_content=True preserva o estado dos subagentes entre turnos
  • Limite-se a 3-5 turnos por sessão para manter a consistência e os custos controláveis
  • Comece com 4 agentes e aumente conforme necessário