Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Viacnásobné konverzácie s previous_response_id

Lekcia 13 z 14 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Spresňuj vyhľadávanie krok za krokom
  2. Reťazenie dotazov pomocou previous_response_id
  3. Tri spôsoby vedenia relácie
  4. To isté so SDK od xAI
  5. Vedieť, kedy reláciu ukončiť
  6. Kľúčové poznatky

Spresňuj vyhľadávanie krok za krokom

Možno si viacagentový systém predstavuješ ako stroj na jednu otázku: jedna obrovská požiadavka dnu, kompletná správa von. To je však jeho najmenej efektívne využitie. Skutočné pátranie prebieha po krokoch, kde každá odpoveď otvára dvere ďalšej otázke. Viacagentové systémy fungujú rovnako: reťaz dotazy pri zachovaní kontextu, aby si začal široko a následne sa zúžil.

Reťazenie dotazov pomocou previous_response_id

Pri Responses API sa reťazenie opiera o previous_response_id: každému volaniu odovzdáš ID predchádzajúcej odpovede a model tak nadviaže na predchádzajúcu líniu.

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

# Krok 2: hĺbková analýza (odkazuje na predchádzajúci krok)
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,
)

# Krok 3: cielené porovnanie
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,
)

Všimni si progresiu v úsilí o logické usudzovanie: low pre úvodnú mapu, medium pre hĺbkovú analýzu a high pre finálne porovnanie. Toto odráža vnútornú logiku – neplýtvaj výpočtovým výkonom, kým nevieš, na čo ho máš nasmerovať. Agenti vedia, čo už bolo povedané, a v každom kroku znova nebudujú základ od nuly.

Tri spôsoby vedenia relácie

Lievik: od všeobecného ku konkrétnemu

Toto je najprirodzenejšia a najúspornejšia trajektória. V prvom kroku, s využitím štyroch agentov, zmapuješ tému a odhalíš rôzne uhly pohľadu. Druhý krok, stále so štyrmi agentmi, sa zameria na ten uhol, ktorý ťa zaujíma. Až v treťom kroku mobilizuješ šestnásť agentov, aby identifikovaný bod analyzovali do hĺbky. Veľký tím nasadíš až vtedy, keď si istý, čo hľadáš, namiesto toho, aby si platil za vyčerpávajúce skúmanie, kde ti 90 % výsledkov bude nanič.

Laterálne skúmanie

Niekedy odpoveď odhalí neočakávaný uhol pohľadu. Opýtaš sa na výzvy pri nasadzovaní LLM do produkcie, vedúci agent letmo spomenie problémy s latenciou a práve na tom závisí tvoj projekt. Ďalší krok vychádza z tejto zmienky – „spomenuli ste problémy s latenciou, aké existujú riešenia?“ – a tretí krok porovná diskutované prístupy semantickej cache. Každá otázka preberá presnú slovnú zásobu z predchádzajúceho kroku, čo výrazne zlepšuje cielenosť vyhľadávania.

Krížová validácia

Tento prístup kladie dôraz skôr na spoľahlivosť než na objavovanie. Požiadaš o benchmarky výkonu pre Mistral Large 3, následne necháš nezávislé zdroje overiť tieto údaje a nakoniec hľadáš medzi nimi rozpory. Tretí krok je najpoučnejší: mení uistenú odpoveď na stav poznania, kde je neistota explicitne vyjadrená.

To isté so SDK od xAI

Natívne SDK robí reťazenie implicitným: objekt chat uchováva históriu a ty len pridávaš postupné správy.

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

# Krok 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)

# Krok 2 (ten istý objekt chat = zachovaný kontext)
chat.append(user("Deep dive into hybrid architectures"))
for response, chunk in chat.stream():
    if chunk.content:
        print(chunk.content, end="", flush=True)

Nastavenie use_encrypted_content=True tu robí skutočný rozdiel: bez neho sa uchováva len vymenený text; s ním vnútorný stav sub-agentov pretrváva z kroku na krok a kontinuita vyhľadávania sa zlepšuje.

Vedieť, kedy reláciu ukončiť

Tento mechanizmus má svoje limity, všetky súvisia s akumuláciou. Kontext rastie s každým krokom a nakoniec zaplní kontextové okno; šifrovaný obsah k tomu prispieva, keďže stav sub-agentov zaberá miesto; konzistencia eroduje, pretože vedúci agent drží čoraz rozsiahlejšiu históriu; a náklady rastú, keďže sa v každom kroku fakturujú všetky nahromadené tokeny.

V praxi sa drž rozmedzia troch až piatich krokov na reláciu. Ak ich potrebuješ viac, otvor novú reláciu so syntetizujúcim promptom, ktorý zhrnie tvoje závery: tento čistý, kondenzovaný kontext sa často ukáže byť účinnejší než natiahnutá konverzácia, ktorú opúšťaš.

Kľúčové poznatky

  • previous_response_id reťazí dotazy pri zachovaní kontextu
  • Stratégia lievika (všeobecné → konkrétne) optimalizuje náklady
  • use_encrypted_content=True zachováva stav sub-agentov medzi krokmi
  • Obmedz sa na 3 – 5 krokov na reláciu, aby si udržal konzistenciu a zvládnuteľné náklady
  • Začni so 4 agentmi a podľa potreby ich počet zvyšuj