如何降低大模型调用带来的成本-洪萨配资

如何降低大模型调用带来的成本

降低大模型调用主要方法是利用好Prompt Caching，有时候开了缓存之后命中率长期停在 20% 上下。所以我们要注意以下内容

缓存的是 KV state，不是"答案"

传统 KV 缓存（Redis 那种）和 Prompt Caching 名字一样，语义完全不同。

Anthropic 的 Prompt Caching 缓存的是 Transformer 推理时 attention 层 prefill 阶段算出来的 KV 张量——下次请求前缀完全一致，模型直接复用这套张量，跳过 prefill。Anthropic 文档里给了 4 个断点、最小 1024 token、TTL 默认 5 分钟（命中频率够高可延到 1 小时）（Anthropic Prompt Caching）。

OpenAI 这边更省心——超过 1024 token 的前缀自动缓存，128 token 粒度匹配，TTL 大约 5-10 分钟（OpenAI Prompt Caching 指南）。

关键在"前缀完全一致"五个字。不是语义相似，是字节级精确匹配。一个空格、一个时间戳、一个用户 ID 差异，全部 miss。

前缀按物理顺序匹配，不看语义

前缀按物理位置匹配，不管两段 prompt 看起来多像。

工程报告里有团队公开过类似观察：花几个月把命中率从不到 10% 优化到 70%+，整段时间下来 token 成本直接砍掉近 60%。最常见的"破功"操作就三类：

写法 1：system prompt 里塞时间戳

# 永远 misssystem=f"当前时间：{datetime.now()}。你是一个助手..."# 时间放到 user message 末尾system="你是一个助手..."user=f"[当前时间：{datetime.now()}]\n{question}"

写法 2：system prompt 顶部放用户 ID / 请求 ID

# 每个用户前缀都不同system=f"用户ID:{user_id}..."# 用户信息后置user=f"[用户:{user_name}]\n{question}"

写法 3：动态生成工具定义——Agent 场景特别常见。工具集不变时把 JSON 序列化结果固定下来（sort_keys=True），别每次随机顺序重排。

动态内容不能塞在 system prompt 中间

Agent 场景下这个最难处理。

Agent 的 working memory 每一步都在变。按"system prompt + working memory + 当前消息"这种顺序拼 prompt 的话，working memory 每次动一点，前面的 system prompt 缓存就全废了——system prompt 自己一个字节没改也得从头算。

一个叫 “Relocation Trick” 的简单解法：把 working memory 从 system prompt 末尾移到 user message 末尾。只改一个位置，命中率能从 20% 以下跳到 70%+ 这个量级。

Agent 系统通常按三段拆：

断点 1：静态系统提示（TTL 拉满 ~1 小时）
断点 2：最近 N 轮对话历史（TTL 5 分钟）
断点 3：工具定义（工具集不变时极稳定）

working memory 和当前用户消息放最末尾，不打断点——让它们独立失效，不污染前面的缓存段。

那到底能省多少、什么时候反而不划算

前面的前提都踩对，命中率能稳在 70% 以上。一个朴素的判断：不到 50% 说明 prompt 结构有问题；70% 以上算健康；85% 以上说明前缀纪律做得很到位。

定价层面，拿 Anthropic Claude Sonnet 4.5 举例：缓存读取 0.30 / 百万 token（标准输入价 3.00），首次写入 $3.75，比标准输入贵 25%。想回本至少需要 2 次以上复用——单个 prompt 前缀被使用 2 次以上，缓存就是合算的（Anthropic 定价）。

OpenAI 这边自动给 50% 折扣，没有写入溢价。两种模式各有取舍：Anthropic 折扣更深但要手动打cache_control标签，OpenAI 折扣浅但零配置。