Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Flerstegssamtal med previous_response_id

Lektion 13 av 14 Uppdaterad 29 juli 2026 Utvecklare
På denna sida
  1. Förfina sökningen steg för steg
  2. Länka frågor med previous_response_id
  3. Tre sätt att köra en session
  4. Samma sak med xAI SDK
  5. Att veta när man ska avsluta en session
  6. Viktiga punkter

Förfina sökningen steg för steg

Du kanske föreställer dig fleragentssystem som en maskin för en enda fråga: en enorm fråga in, en komplett rapport ut. Det är det minst effektiva sättet att använda dem på. Verklig undersökning sker i steg, där varje svar öppnar dörren för nästa fråga. Fleragentssystem fungerar på samma sätt: länka frågor medan du behåller kontexten för att börja brett och sedan smalna av.

Länka frågor med previous_response_id

Med Responses API förlitar sig länkning på previous_response_id: du skickar ID:t från det föregående svaret till varje anrop, så att modellen kan plocka upp tråden.

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

# Steg 2: fördjupning (refererar till föregående steg)
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,
)

# Steg 3: riktad jämförelse
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,
)

Lägg märke till progressionen i resonemangsinsats: low för den första översikten, medium för fördjupningen och high för den slutgiltiga jämförelsen. Detta speglar underliggande logik – slösa inte beräkningskraft innan du vet vad du ska använda den till. Agenterna vet vad som redan har sagts och behöver inte bygga om grunden vid varje steg.

Tre sätt att köra en session

Tratten, från brett till specifikt

Detta är den mest naturliga och ekonomiska strategin. I det första steget, med fyra agenter, kartläggs ämnet och olika infallsvinklar lyfts fram. I det andra steget, fortfarande med fyra agenter, zoomar du in på den vinkel som intresserar dig. Först i det tredje steget mobiliseras sexton agenter för att analysera den identifierade punkten på djupet. Du sätter in det stora laget först när du är säker på vad du letar efter, istället för att betala för en uttömmande utforskning där 90 % inte kommer att gynna dig.

Lateralt utforskande

Ibland avslöjar ett svar en oväntad infallsvinkel. Du frågar om utmaningar med att distribuera LLM:er i produktion, ledaren nämner latensproblem i förbifarten, och det är där ditt projekt hänger. Nästa steg utgår från just detta omnämnande – “du nämnde latensproblem, vilka lösningar finns?” – och det tredje steget jämför de semantiska cachningsmetoder som diskuterades. Varje fråga plockar upp exakt samma ordval som i föregående steg, vilket gör sökningar mycket mer målinriktade.

Korsvalidering

Denna metod syftar till tillförlitlighet snarare än upptäckt. Du ber om prestandabenchmarks för Mistral Large 3, låter oberoende källor verifiera dessa siffror och avslutar med att leta efter motsägelser mellan dem. Det tredje steget är det mest lärorika: det omvandlar ett säkert svar till ett kunskapsläge där osäkerheten är explicit.

Samma sak med xAI SDK

Det nativa SDK:t gör länkning implicit: objektet chat håller historiken, du behöver bara lägga till successiva meddelanden.

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

# Steg 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)

# Steg 2 (samma chat-objekt = kontext bevarad)
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 gör en verklig skillnad här: utan det sparas endast den utbytta texten; med det överlever delagenternas interna tillstånd från steg till steg och sökkontinuiteten förbättras.

Att veta när man ska avsluta en session

Mekanismen har begränsningar, alla relaterade till ackumulering. Kontexten växer vid varje steg och mättar så småningom kontextfönstret; krypterat innehåll bidrar till detta eftersom delagenternas tillstånd tar upp plats; konsekvensen eroderar när ledaren håller i en allt större historik; och kostnaderna följer efter, där varje steg debiterar alla ackumulerade token.

I praktiken bör du hålla dig till tre till fem steg per session. Utöver det, öppna en ny session med en sammanfattningsprompt som summerar dina slutsatser: denna rena, kondenserade kontext visar sig ofta vara mer effektiv än den utdragna konversation du överger.

Viktiga punkter

  • previous_response_id länkar frågor samtidigt som kontexten behålls
  • Trattstrategin (brett → specifikt) optimerar kostnaderna
  • use_encrypted_content=True bevarar delagenternas tillstånd mellan stegen
  • Begränsa dig till 3–5 steg per session för att hålla konsekvens och kostnader hanterbara
  • Börja med 4 agenter och öka vid behov