概述
即时缓存让人工智能模型可以重用它在重复的文本块上所做的计算工作，而不是每次都重新处理它。当相同的长指令、文档或示例出现在一个又一个的请求中时，它可以极大地降低成本和延迟。
提示缓存是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
当语言模型读取提示时，它会通过其注意力层将每个标记转换为称为键值（KV）向量的内部数字状态。通常，即使 90% 的提示都是相同的，每次请求都会发生这种情况。提示缓存存储标记前缀的那些预先计算的 KV 状态，因此以相同文本开头的后续请求可以直接跳到新部分。像 Anthropic 和 OpenAI 这样的提供者通过让你标记一个稳定的前缀来暴露这一点；缓存命中按大幅折扣计费（通常比输入成本低 90%）并且响应速度更快。它非常适合具有固定系统提示的聊天机器人、重复使用相同文档的 RAG 管道或重播长期历史记录的代理。
技术洞察
缓存之所以有效，是因为变压器注意力是因果关系：每个令牌只关注它之前的令牌。因此，当您随后添加新标记时，前缀的 KV 状态永远不会改变。缓存的关键在于该前缀的精确标记对标记匹配，这就是为什么即使在提示符早期进行一个字符编辑也会使下游的所有内容无效。缓存的生命周期很短（几分钟），按提供者存储，并且可缓存块通常必须超过最小令牌计数。
掌握提示缓存
即时缓存让人工智能模型可以重用它在重复的文本块上所做的计算工作，而不是每次都重新处理它。当相同的长指令、文档或示例出现在一个又一个的请求中时，它可以极大地降低成本和延迟。提示缓存是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将提示缓存视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用提示缓存的强大团队可以根据可靠性和成本来优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
客户支持聊天机器人会缓存其 5,000 个令牌的策略和提示音系统提示，因此每条用户消息只需为新问题支付全价。
检索增强 (RAG) 应用程序会缓存一次大型参考文档，然后以一小部分成本回答有关该文档的许多问题。
编码助理将大型代码库或文件的内容缓存为固定前缀，同时开发人员提出连续的后续问题。
人工智能代理会缓存其冗长且不断增长的工具使用记录，因此每个新步骤都不会重新计费整个先前的对话。
实施模式
实践中的提示缓存
客户支持聊天机器人会缓存其 5,000 个令牌的策略和提示音系统提示，因此每条用户消息只需为新问题支付全价。
客户支持聊天机器人会缓存其 5,000 个令牌的策略和提示音系统提示，因此每条用户消息只需为新问题支付全价。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的提示缓存
检索增强 (RAG) 应用程序会缓存一次大型参考文档，然后以一小部分成本回答有关该文档的许多问题。
检索增强 (RAG) 应用程序会缓存一次大型参考文档，然后以一小部分成本回答有关该文档的许多问题。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的提示缓存
编码助理将大型代码库或文件的内容缓存为固定前缀，同时开发人员提出连续的后续问题。
编码助理将大型代码库或文件的内容缓存为固定前缀，而开发人员会提出连续的后续问题。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的提示缓存
人工智能代理会缓存其冗长且不断增长的工具使用记录，因此每个新步骤都不会重新计费整个先前的对话。
AI 代理会缓存其冗长且不断增长的工具使用记录，因此每个新步骤都不会重新计费之前的整个对话。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。