Salt la conținutul principal
Română— Alege o limbă
Meniu

Conversații pe mai multe ture cu previous_response_id

Lecția 13 din 14 Actualizată 29 iulie 2026 Dezvoltator
Pe această pagină
  1. Rafinați căutarea tur cu tur
  2. Înlănțuirea interogărilor cu previous_response_id
  3. Trei moduri de a desfășura o sesiune
  4. Același lucru cu SDK-ul xAI
  5. Când să opriți o sesiune
  6. Puncte cheie

Rafinați căutarea tur cu tur

Ați putea concepe sistemul multi-agent ca pe o mașinărie cu o singură interogare: o întrebare masivă la intrare, un raport complet la ieșire. Aceasta este însă cea mai ineficientă utilizare a sa. O investigație reală progresează în pași, fiecare răspuns deschizând următoarea întrebare. Sistemul multi-agent funcționează la fel: înlănțuiți interogările păstrând contextul pentru a începe larg, apoi pentru a restrânge aria de acțiune.

Înlănțuirea interogărilor cu previous_response_id

Cu API-ul Responses, înlănțuirea se bazează pe previous_response_id: transmiteți ID-ul răspunsului anterior fiecărei apelări, iar modelul preia firul discuției.

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

# Turul 2: aprofundare (face referire la turul anterior)
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,
)

# Turul 3: comparație țintită
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,
)

Observați progresia efortului de raționament: low pentru harta inițială, medium pentru aprofundare și high pentru comparația finală. Aceasta reflectă o logică subiacentă: nu cheltuiți putere de calcul până nu știți exact pe ce să o investiți. Agenții știu ce s-a spus deja și nu reconstruiesc temelia la fiecare tur.

Trei moduri de a desfășura o sesiune

Pâlnia, de la general la specific

Aceasta este traiectoria cea mai naturală și economică. Primul tur, rulat cu patru agenți, cartografiază subiectul și scoate la iveală diferite unghiuri de abordare. Al doilea tur, tot cu patru agenți, se concentrează asupra aspectului care vă interesează. Doar al treilea tur mobilizează șaisprezece agenți pentru a analiza în profunzime punctul identificat. Desfășurați echipa largă doar atunci când sunteți sigur de ceea ce căutați, în loc să plătiți pentru o explorare exhaustivă unde 90% din informații nu vă vor fi de folos.

Explorarea laterală

Uneori, un răspuns dezvăluie un unghi neașteptat. Întrebați despre provocările implementării LLM în producție, liderul menționează în treacăt problemele de latență, iar acolo se află chiar cheia proiectului dumneavoastră. Următorul tur pornește de la acea mențiune – „ați menționat probleme de latență, ce soluții există?“ – iar al treilea compară abordările de cache semantic discutate. Fiecare întrebare preia vocabularul exact din turul anterior, ceea ce țintește căutările mult mai bine.

Validarea încrucișată

Această abordare prioritizează fiabilitatea în detrimentul descoperirii. Solicitați benchmark-uri de performanță pentru Mistral Large 3, apoi cereți surselor independente să verifice aceste cifre și încheiați prin a căuta contradicții între ele. Al treilea tur este cel mai instructiv: transformă un răspuns aparent cert într-o stare a cunoașterii unde incertitudinea este explicită.

Același lucru cu SDK-ul xAI

SDK-ul nativ face înlănțuirea implicită: obiectul chat reține istoricul, iar dumneavoastră adăugați doar mesajele succesive.

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

# Turul 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)

# Turul 2 (același obiect chat = context păstrat)
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 face aici o diferență reală: fără acesta, se păstrează doar textul schimbat; cu acesta, starea internă a sub-agenților supraviețuiește de la un tur la altul, iar continuitatea căutării se îmbunătățește.

Când să opriți o sesiune

Mecanismul are limite, toate legate de acumulare. Contextul crește la fiecare tur și, în cele din urmă, saturează fereastra de context; conținutul criptat contribuie la acest lucru, starea sub-agenților ocupând spațiu; consistența se erodează pe măsură ce liderul deține un istoric tot mai vast; iar costurile cresc, fiecare tur facturând toți tokenii acumulați.

În practică, limitați-vă la trei până la cinci turi pe sesiune. Dincolo de acest prag, deschideți o nouă sesiune cu un prompt de sinteză care să rezume concluziile dumneavoastră: acest context curat și condensat se dovedește adesea mai eficient decât conversația întinsă pe care o abandonați.

Puncte cheie

  • previous_response_id înlănțuiește interogările păstrând contextul
  • Strategia pâlnie (general → specific) optimizează costurile
  • use_encrypted_content=True păstrează starea sub-agenților între turi
  • Limitați-vă la 3-5 turi pe sesiune pentru a menține consistența și costurile sub control
  • Începeți cu 4 agenți și creșteți numărul lor doar dacă este necesar