1. 从一次账单异常说起为什么你的 AI 应用越跑越贵很多开发者第一次认真看大模型 API 账单时都会有一个疑问明明用户问的问题都很短为什么输入 Token 的数量会那么高答案往往藏在 System Prompt、工具定义、RAG 检索片段这些每次请求都要重新发一遍的内容里。假设你做了一个客服机器人System Prompt 有 1800 Token工具定义 600 Token检索到的知识片段 2500 Token用户真正的问题只有 80 Token。那么每次请求的输入 Token 是 4980其中 4900 都是重复的。按一天 5 万次请求算光重复输入就是 2.45 亿 Token这笔钱花得非常冤枉。Token 缓存机制就是来解决这个问题的。它做的事情本质上很简单把已经计算过的中间结果存起来下次遇到相同或相似的前缀时直接复用不再重新算一遍。落到计费上缓存命中的输入 Token 价格通常只有未命中的 10% 到 50%具体折扣取决于模型厂商的实现。对于日均请求量上万的 AI 应用来说这一项优化就能把输入成本压掉一大半。这篇文章会从 KV Cache 的底层原理讲起说清楚缓存命中和未命中在计费上的差别然后给出通过 TaoToken 统一 Key 接入时的settings.json和config.toml配置骨架最后附一次可复制的请求对比验证动作让你亲眼看到缓存机制对成本的实际作用。适合正在做 AI 应用、被 Token 账单困扰、想搞清楚缓存到底怎么省钱的开发者。2. 先搞懂 KV Cache 和 Prompt Cache 到底在缓存什么2.1 KV Cache单次请求内部的增量计算Transformer 的自注意力机制里每个 Token 会生成三个向量Query、Key、Value。计算注意力时当前 Token 的 Query 要和所有历史 Token 的 Key 做点积再加权求和 Value。如果不做任何缓存生成第 100 个 Token 时得重新算前 99 个的 K 和 V生成第 101 个又得重新算前 100 个。计算量随序列长度平方级增长根本扛不住。KV Cache 的做法是把每一步算好的 K 和 V 存在显存里新 Token 只算自己那部分然后和缓存拼接。所有主流推理框架都把这当标配。代价是显存占用随上下文长度线性增长一个支持 128K 上下文的模型KV Cache 可能吃掉好几个 GB 的显存。这也是长上下文推理特别吃显存的根本原因。为了压缩 KV Cache 的显存占用业界搞出了不少优化方案。GQA分组查询注意力让多个 Query Head 共享同一组 Key-Value HeadKV Cache 直接缩小到原来的几分之一Llama 2/3 系列用的就是这个。MQA多查询注意力更激进所有 Query Head 共享一组 K/V缓存压缩比最大但可能损失一些精度。PagedAttention 把 KV Cache 按页管理像操作系统的虚拟内存一样解决显存碎片化问题在高并发场景下显存利用率能提升 2 到 4 倍。2.2 Prompt Cache跨请求的前缀复用KV Cache 解决的是单次请求内部的重复计算而 Prompt Cache 解决的是多次请求之间的重复计算。多次调用 API 时如果请求的 Prompt 前缀相同服务端会复用这部分前缀已经算好的中间状态。它底层通常仍然离不开 KV Cache只是缓存的生命周期从单次请求内扩展到了多次请求之间。不同厂商的 Prompt Cache 实现细节有差异。OpenAI 的 Prompt Cache 是自动触发的前缀超过 1024 Token 就会自动缓存缓存命中后输入价格打 5 折。Anthropic 的方案需要手动标记缓存断点用cache_control参数指定哪些内容要缓存灵活度更高缓存命中后输入价格打 1 折。DeepSeek 也是自动缓存机制命中后价格降到原来的十分之一。要把 Prompt Cache 的命中率拉满关键就一条原则不变的内容往前放变化的内容往后放。System Prompt、工具定义、背景知识这些不变的东西放在 Prompt 最前面用户的具体问题放最后。还有一个容易踩的坑System Prompt 一定要保持稳定不要每次请求都微调措辞。哪怕改了一个字从改动位置开始往后的缓存就全部失效了。2.3 两类缓存怎么协同省钱KV Cache 和 Prompt Cache 不是完全独立的两套底层技术它们更像是同一种中间结果复用思想在不同场景下的体现。KV Cache 解决的是单次请求内部的重复计算这是推理引擎内部的优化。Prompt Cache 解决的是多次请求之间的重复计算这是服务端的优化。两类缓存叠加使用效果最好。一个典型的 RAG 应用System Prompt 有 1500 Token检索到的文档片段有 3000 Token用户问题 200 Token。Prompt Cache 能把稳定的 System Prompt 前缀缓存住KV Cache 保证生成回答时每一步都是增量计算两类缓存一起把推理成本压到最低。3. 用 TaoToken 统一 Key 接入配置骨架与缓存参数TaoToken 提供统一的 API 通道你可以在一个 Key 下调用多个模型省去分别管理各家 Key 的麻烦。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 。下面给出两种常见配置文件的骨架你可以根据自己的工具链选用。3.1 settings.json 配置骨架如果你用的是支持 JSON 配置的客户端或 SDK可以这样写{ provider: taotoken, api_base: https://taotoken.net/api, api_key: sk-your-taotoken-key, default_model: claude-sonnet-4-20250514, cache: { enabled: true, strategy: prefix, min_prefix_tokens: 1024, cache_control: { type: ephemeral } }, request: { max_tokens: 2048, temperature: 0.7, stream: true } }这里cache.enabled打开缓存strategy设为prefix表示按前缀匹配min_prefix_tokens是触发缓存的最小前缀长度。cache_control里的ephemeral表示缓存是临时的服务端会在一段时间后自动清理。3.2 config.toml 配置骨架如果你用的是 TOML 格式的配置比如某些 CLI 工具或本地 Agent 框架[provider] name taotoken api_base https://taotoken.net/api api_key sk-your-taotoken-key [model] default claude-sonnet-4-20250514 max_tokens 2048 temperature 0.7 [cache] enabled true strategy prefix min_prefix_tokens 1024 [cache.control] type ephemeral ttl 5m [request] stream true timeout 60ttl是缓存存活时间5m表示 5 分钟。如果你的应用请求频率很高可以适当调大这个值让缓存命中率更高。3.3 请求体里怎么标记缓存断点对于支持手动标记缓存断点的模型你需要在 messages 数组里用cache_control指定哪些内容要缓存。下面是一个 Python 示例import requests url https://taotoken.net/api/v1/messages headers { x-api-key: sk-your-taotoken-key, anthropic-version: 2023-06-01, content-type: application/json } payload { model: claude-sonnet-4-20250514, max_tokens: 1024, system: [ { type: text, text: 你是一个专业的客服助手负责回答产品使用问题。以下是产品知识库..., cache_control: {type: ephemeral} } ], messages: [ {role: user, content: 如何重置密码} ] } resp requests.post(url, headersheaders, jsonpayload) print(resp.json())注意system字段里那段长文本加了cache_control服务端会把这段前缀的中间状态缓存下来。下次请求如果这段文本没变就能命中缓存输入价格按折扣计算。4. 一次可复制的请求对比验证亲眼看到缓存命中光看配置不够直观我们来做一个可复制的对比实验。思路是连续发两次请求第一次让缓存冷启动第二次观察缓存命中后的用量差异。很多 API 返回的 usage 字段里会包含cache_creation_input_tokens和cache_read_input_tokens这两个数字就是判断缓存是否命中的关键。import requests import time url https://taotoken.net/api/v1/messages headers { x-api-key: sk-your-taotoken-key, anthropic-version: 2023-06-01, content-type: application/json } long_system 你是一个专业的客服助手。 产品知识库内容 这是一段很长的背景知识。 * 200 def send_request(tag): payload { model: claude-sonnet-4-20250514, max_tokens: 256, system: [ { type: text, text: long_system, cache_control: {type: ephemeral} } ], messages: [ {role: user, content: 请用一句话介绍你自己。} ] } resp requests.post(url, headersheaders, jsonpayload) data resp.json() usage data.get(usage, {}) print(f[{tag}] input{usage.get(input_tokens)} fcache_create{usage.get(cache_creation_input_tokens)} fcache_read{usage.get(cache_read_input_tokens)} foutput{usage.get(output_tokens)}) return data # 第一次请求缓存冷启动 send_request(第一次) time.sleep(2) # 第二次请求相同前缀应该命中缓存 send_request(第二次)跑完这段代码你会看到类似这样的输出[第一次] input45 cache_create1820 cache_read0 output32 [第二次] input45 cache_create0 cache_read1820 output30第一次请求时cache_create是 1820说明这 1820 个 Token 被写入了缓存。第二次请求时cache_read是 1820cache_create变成 0说明缓存命中了这 1820 个 Token 按缓存读取的价格计费。如果按 Anthropic 的定价缓存读取价格是正常输入价格的 10%这一项就能省下 90% 的输入成本。注意不同模型的 usage 字段命名可能略有差异有的用prompt_cache_hit_tokens和prompt_cache_miss_tokens。你可以在返回的 JSON 里找带cache字样的字段那就是缓存相关的用量。5. 本篇常见错排查缓存不命中怎么办5.1 前缀里混入了动态内容这是最常见的坑。很多开发者习惯在 System Prompt 里插入当前时间、请求 ID、用户昵称结果每次请求前缀都不一样缓存永远命中不了。解决办法是把动态内容挪到 messages 里System Prompt 只放静态内容。# 错误做法System Prompt 里带时间戳 system f当前时间是 {datetime.now()}你是客服助手... # 正确做法时间戳放到用户消息里 system 你是客服助手... messages [{role: user, content: f当前时间是 {datetime.now()}请回答...}]5.2 前缀长度没达到阈值OpenAI 的自动缓存要求前缀超过 1024 TokenAnthropic 的手动缓存虽然没有硬性阈值但太短的前缀缓存收益很低。如果你的 System Prompt 只有两三百 Token缓存带来的节省可能还不够覆盖额外的管理开销。建议把工具定义、知识库片段这些长内容合并到前缀里凑够有效长度。5.3 缓存 TTL 过期缓存不是永久有效的服务端会设置一个存活时间通常是 5 分钟到 1 小时。如果你的应用请求间隔很长比如每隔半小时才来一次请求缓存早就过期了每次都是冷启动。这种情况下可以考虑适当调大 TTL或者在请求前先发一个轻量的预热请求。5.4 模型切换导致缓存失效缓存是和模型绑定的。你这次用 claude-sonnet-4下次换成 claude-opus-4即使前缀完全一样缓存也不会命中。如果你的应用会在多个模型之间切换建议把同一类请求固定到同一个模型上保证缓存能持续命中。5.5 配置里 cache 开关没打开有些客户端的缓存默认是关闭的你需要显式在配置里打开。检查你的settings.json或config.toml里cache.enabled是不是true。另外如果你用的是手动标记缓存断点的模型别忘了在请求体里加cache_control字段光开配置开关是不够的。6. 把缓存用起来从配置到验证的完整路径走到这里你已经掌握了 KV Cache 和 Prompt Cache 的原理也拿到了 TaoToken 统一 Key 的配置骨架和验证脚本。接下来要做的就是把缓存策略落到你的实际应用里。我的建议是先从 System Prompt 和工具定义这两块最稳定的内容开始缓存观察一周的用量变化确认命中率稳定后再把 RAG 检索片段也纳入缓存范围。如果你在配置过程中遇到接入问题可以先去 TaoToken 的 API Keys 页面确认 Key 的权限和额度再对照接入文档检查请求格式。想快速验证模型返回是否符合预期可以用模型对话页面直接测试。如果你正在做长期编码或 Agent 类应用需要更稳定的调用通道和额度管理可以了解一下 Coding Plan。缓存这件事配好了就是躺省。别等到账单出来才后悔没早点开。
1. 从一次账单异常说起为什么你的 AI 应用越跑越贵很多开发者第一次认真看大模型 API 账单时都会有一个疑问明明用户问的问题都很短为什么输入 Token 的数量会那么高答案往往藏在 System Prompt、工具定义、RAG 检索片段这些每次请求都要重新发一遍的内容里。假设你做了一个客服机器人System Prompt 有 1800 Token工具定义 600 Token检索到的知识片段 2500 Token用户真正的问题只有 80 Token。那么每次请求的输入 Token 是 4980其中 4900 都是重复的。按一天 5 万次请求算光重复输入就是 2.45 亿 Token这笔钱花得非常冤枉。Token 缓存机制就是来解决这个问题的。它做的事情本质上很简单把已经计算过的中间结果存起来下次遇到相同或相似的前缀时直接复用不再重新算一遍。落到计费上缓存命中的输入 Token 价格通常只有未命中的 10% 到 50%具体折扣取决于模型厂商的实现。对于日均请求量上万的 AI 应用来说这一项优化就能把输入成本压掉一大半。这篇文章会从 KV Cache 的底层原理讲起说清楚缓存命中和未命中在计费上的差别然后给出通过 TaoToken 统一 Key 接入时的settings.json和config.toml配置骨架最后附一次可复制的请求对比验证动作让你亲眼看到缓存机制对成本的实际作用。适合正在做 AI 应用、被 Token 账单困扰、想搞清楚缓存到底怎么省钱的开发者。2. 先搞懂 KV Cache 和 Prompt Cache 到底在缓存什么2.1 KV Cache单次请求内部的增量计算Transformer 的自注意力机制里每个 Token 会生成三个向量Query、Key、Value。计算注意力时当前 Token 的 Query 要和所有历史 Token 的 Key 做点积再加权求和 Value。如果不做任何缓存生成第 100 个 Token 时得重新算前 99 个的 K 和 V生成第 101 个又得重新算前 100 个。计算量随序列长度平方级增长根本扛不住。KV Cache 的做法是把每一步算好的 K 和 V 存在显存里新 Token 只算自己那部分然后和缓存拼接。所有主流推理框架都把这当标配。代价是显存占用随上下文长度线性增长一个支持 128K 上下文的模型KV Cache 可能吃掉好几个 GB 的显存。这也是长上下文推理特别吃显存的根本原因。为了压缩 KV Cache 的显存占用业界搞出了不少优化方案。GQA分组查询注意力让多个 Query Head 共享同一组 Key-Value HeadKV Cache 直接缩小到原来的几分之一Llama 2/3 系列用的就是这个。MQA多查询注意力更激进所有 Query Head 共享一组 K/V缓存压缩比最大但可能损失一些精度。PagedAttention 把 KV Cache 按页管理像操作系统的虚拟内存一样解决显存碎片化问题在高并发场景下显存利用率能提升 2 到 4 倍。2.2 Prompt Cache跨请求的前缀复用KV Cache 解决的是单次请求内部的重复计算而 Prompt Cache 解决的是多次请求之间的重复计算。多次调用 API 时如果请求的 Prompt 前缀相同服务端会复用这部分前缀已经算好的中间状态。它底层通常仍然离不开 KV Cache只是缓存的生命周期从单次请求内扩展到了多次请求之间。不同厂商的 Prompt Cache 实现细节有差异。OpenAI 的 Prompt Cache 是自动触发的前缀超过 1024 Token 就会自动缓存缓存命中后输入价格打 5 折。Anthropic 的方案需要手动标记缓存断点用cache_control参数指定哪些内容要缓存灵活度更高缓存命中后输入价格打 1 折。DeepSeek 也是自动缓存机制命中后价格降到原来的十分之一。要把 Prompt Cache 的命中率拉满关键就一条原则不变的内容往前放变化的内容往后放。System Prompt、工具定义、背景知识这些不变的东西放在 Prompt 最前面用户的具体问题放最后。还有一个容易踩的坑System Prompt 一定要保持稳定不要每次请求都微调措辞。哪怕改了一个字从改动位置开始往后的缓存就全部失效了。2.3 两类缓存怎么协同省钱KV Cache 和 Prompt Cache 不是完全独立的两套底层技术它们更像是同一种中间结果复用思想在不同场景下的体现。KV Cache 解决的是单次请求内部的重复计算这是推理引擎内部的优化。Prompt Cache 解决的是多次请求之间的重复计算这是服务端的优化。两类缓存叠加使用效果最好。一个典型的 RAG 应用System Prompt 有 1500 Token检索到的文档片段有 3000 Token用户问题 200 Token。Prompt Cache 能把稳定的 System Prompt 前缀缓存住KV Cache 保证生成回答时每一步都是增量计算两类缓存一起把推理成本压到最低。3. 用 TaoToken 统一 Key 接入配置骨架与缓存参数TaoToken 提供统一的 API 通道你可以在一个 Key 下调用多个模型省去分别管理各家 Key 的麻烦。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 。下面给出两种常见配置文件的骨架你可以根据自己的工具链选用。3.1 settings.json 配置骨架如果你用的是支持 JSON 配置的客户端或 SDK可以这样写{ provider: taotoken, api_base: https://taotoken.net/api, api_key: sk-your-taotoken-key, default_model: claude-sonnet-4-20250514, cache: { enabled: true, strategy: prefix, min_prefix_tokens: 1024, cache_control: { type: ephemeral } }, request: { max_tokens: 2048, temperature: 0.7, stream: true } }这里cache.enabled打开缓存strategy设为prefix表示按前缀匹配min_prefix_tokens是触发缓存的最小前缀长度。cache_control里的ephemeral表示缓存是临时的服务端会在一段时间后自动清理。3.2 config.toml 配置骨架如果你用的是 TOML 格式的配置比如某些 CLI 工具或本地 Agent 框架[provider] name taotoken api_base https://taotoken.net/api api_key sk-your-taotoken-key [model] default claude-sonnet-4-20250514 max_tokens 2048 temperature 0.7 [cache] enabled true strategy prefix min_prefix_tokens 1024 [cache.control] type ephemeral ttl 5m [request] stream true timeout 60ttl是缓存存活时间5m表示 5 分钟。如果你的应用请求频率很高可以适当调大这个值让缓存命中率更高。3.3 请求体里怎么标记缓存断点对于支持手动标记缓存断点的模型你需要在 messages 数组里用cache_control指定哪些内容要缓存。下面是一个 Python 示例import requests url https://taotoken.net/api/v1/messages headers { x-api-key: sk-your-taotoken-key, anthropic-version: 2023-06-01, content-type: application/json } payload { model: claude-sonnet-4-20250514, max_tokens: 1024, system: [ { type: text, text: 你是一个专业的客服助手负责回答产品使用问题。以下是产品知识库..., cache_control: {type: ephemeral} } ], messages: [ {role: user, content: 如何重置密码} ] } resp requests.post(url, headersheaders, jsonpayload) print(resp.json())注意system字段里那段长文本加了cache_control服务端会把这段前缀的中间状态缓存下来。下次请求如果这段文本没变就能命中缓存输入价格按折扣计算。4. 一次可复制的请求对比验证亲眼看到缓存命中光看配置不够直观我们来做一个可复制的对比实验。思路是连续发两次请求第一次让缓存冷启动第二次观察缓存命中后的用量差异。很多 API 返回的 usage 字段里会包含cache_creation_input_tokens和cache_read_input_tokens这两个数字就是判断缓存是否命中的关键。import requests import time url https://taotoken.net/api/v1/messages headers { x-api-key: sk-your-taotoken-key, anthropic-version: 2023-06-01, content-type: application/json } long_system 你是一个专业的客服助手。 产品知识库内容 这是一段很长的背景知识。 * 200 def send_request(tag): payload { model: claude-sonnet-4-20250514, max_tokens: 256, system: [ { type: text, text: long_system, cache_control: {type: ephemeral} } ], messages: [ {role: user, content: 请用一句话介绍你自己。} ] } resp requests.post(url, headersheaders, jsonpayload) data resp.json() usage data.get(usage, {}) print(f[{tag}] input{usage.get(input_tokens)} fcache_create{usage.get(cache_creation_input_tokens)} fcache_read{usage.get(cache_read_input_tokens)} foutput{usage.get(output_tokens)}) return data # 第一次请求缓存冷启动 send_request(第一次) time.sleep(2) # 第二次请求相同前缀应该命中缓存 send_request(第二次)跑完这段代码你会看到类似这样的输出[第一次] input45 cache_create1820 cache_read0 output32 [第二次] input45 cache_create0 cache_read1820 output30第一次请求时cache_create是 1820说明这 1820 个 Token 被写入了缓存。第二次请求时cache_read是 1820cache_create变成 0说明缓存命中了这 1820 个 Token 按缓存读取的价格计费。如果按 Anthropic 的定价缓存读取价格是正常输入价格的 10%这一项就能省下 90% 的输入成本。注意不同模型的 usage 字段命名可能略有差异有的用prompt_cache_hit_tokens和prompt_cache_miss_tokens。你可以在返回的 JSON 里找带cache字样的字段那就是缓存相关的用量。5. 本篇常见错排查缓存不命中怎么办5.1 前缀里混入了动态内容这是最常见的坑。很多开发者习惯在 System Prompt 里插入当前时间、请求 ID、用户昵称结果每次请求前缀都不一样缓存永远命中不了。解决办法是把动态内容挪到 messages 里System Prompt 只放静态内容。# 错误做法System Prompt 里带时间戳 system f当前时间是 {datetime.now()}你是客服助手... # 正确做法时间戳放到用户消息里 system 你是客服助手... messages [{role: user, content: f当前时间是 {datetime.now()}请回答...}]5.2 前缀长度没达到阈值OpenAI 的自动缓存要求前缀超过 1024 TokenAnthropic 的手动缓存虽然没有硬性阈值但太短的前缀缓存收益很低。如果你的 System Prompt 只有两三百 Token缓存带来的节省可能还不够覆盖额外的管理开销。建议把工具定义、知识库片段这些长内容合并到前缀里凑够有效长度。5.3 缓存 TTL 过期缓存不是永久有效的服务端会设置一个存活时间通常是 5 分钟到 1 小时。如果你的应用请求间隔很长比如每隔半小时才来一次请求缓存早就过期了每次都是冷启动。这种情况下可以考虑适当调大 TTL或者在请求前先发一个轻量的预热请求。5.4 模型切换导致缓存失效缓存是和模型绑定的。你这次用 claude-sonnet-4下次换成 claude-opus-4即使前缀完全一样缓存也不会命中。如果你的应用会在多个模型之间切换建议把同一类请求固定到同一个模型上保证缓存能持续命中。5.5 配置里 cache 开关没打开有些客户端的缓存默认是关闭的你需要显式在配置里打开。检查你的settings.json或config.toml里cache.enabled是不是true。另外如果你用的是手动标记缓存断点的模型别忘了在请求体里加cache_control字段光开配置开关是不够的。6. 把缓存用起来从配置到验证的完整路径走到这里你已经掌握了 KV Cache 和 Prompt Cache 的原理也拿到了 TaoToken 统一 Key 的配置骨架和验证脚本。接下来要做的就是把缓存策略落到你的实际应用里。我的建议是先从 System Prompt 和工具定义这两块最稳定的内容开始缓存观察一周的用量变化确认命中率稳定后再把 RAG 检索片段也纳入缓存范围。如果你在配置过程中遇到接入问题可以先去 TaoToken 的 API Keys 页面确认 Key 的权限和额度再对照接入文档检查请求格式。想快速验证模型返回是否符合预期可以用模型对话页面直接测试。如果你正在做长期编码或 Agent 类应用需要更稳定的调用通道和额度管理可以了解一下 Coding Plan。缓存这件事配好了就是躺省。别等到账单出来才后悔没早点开。
