Prompt 缓存最佳实践

在开发大模型的多轮对话和固定场景人设问答时，会将用户的输入和大模型的回答构建成对话历史传递在整个对话中，而随着对话轮次增加，整个对话过程中的重复内容也会逐渐增多。阶跃星辰为开发者提供了上下文缓存技术，将每次请求过程中的输入进行缓存，当开发者重复请求时，将会自动命中缓存，帮助开发者提升推理速度（在特定场景，推理首字速度最大可提升90%），降低推理成本。目前缓存部分的 Token 按照 Cache 部分 Token 在对应模型的费用的 20% 的费用进行计费。

缓存支持模型

目前 step-1、step-1v、step-1.5v、step-2 系列支持 Prompt 缓存，其他模型暂时不支持 Prompt 缓存。

Prompt 缓存的基础原理

当请求超过 256 个 Token 时，缓存会自动启用。当你发起一次 API 请求时，会执行如下操作：

缓存查询：根据你的请求的 Prompt 的前缀，查询当前的 Prompt 是否有系统的缓存。
缓存命中：如果命中系统的缓存，系统将会使用缓存，并加上本次请求中缓存不包含的内容，进行推理。
缓存未命中：如果未命中系统的缓存，系统将会进行正常的推理并在处理完成后，将 Prompt 前缀进行缓存，以供下次请求使用。

在包含多 Example、多轮次对话、长上下文或背景信息的场景下，缓存命中率会更高，帮助开发者提升系统整体性能，优化成本。缓存淘汰采用最近最少使用（LRU）策略，在系统请求高峰期，不使用的缓存会更容易被逐出；在系统请求低峰期，缓存则会拥有更长的生命周期。

如何判断自己是否使用了 Prompt 缓存

在调用 Chat API 进行补全时，如果 response.usage 存在 cached_token 字段，则表明该请求命中缓存，而 cached_token 的值即为具体命中的 Token 的长度。

{
    "id": "22ebae159c8f10c8657253671c8f7f17.6de8d4f65f5ba3dddeb693a1aa83de1e",
    "object": "chat.completion",
    "created": 1730963954,
    "model": "step-1o-turbo-vision",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "xxx"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "cached_tokens": 512,
        "prompt_tokens": 591,
        "completion_tokens": 120,
        "total_tokens": 711
    }
}

以上面这个请求结果为例，在未启用缓存的请求下，计费输入 token 为 591 ，而在启用缓存后，计费输入 Token 为 591 - 512 = 79 Token，启用缓存帮助用户直接降低了 88% 的 Input Token 消耗。

什么样的内容会进入缓存

在进行缓存时，会以 256 个 Token 作为最小单元开始进行缓存，当你的 Prompt 长度少于 256 个 Token 时，将不会命中缓存。具体可缓存的信息会包含如下内容：

对话信息：完整的对话数组会进入到缓存系统当中，其中包含 System Prompt、User Message 以及 Assistant Message。
图片信息：用户消息中包含的图片信息也会进入缓存当中，但需要保证前后使用的是相同的图片。
视频信息：用户消息中包含的视频信息也会进入缓存当中，但需要保证前后使用的是相同的视频。
工具调用信息及其结果：对话信息中的工具调用信息及其调用结果也会参与到缓存当中。

在 Prompt 的开头使用静态或者重复的内容，而在整个 Prompt 结尾防止动态的内容；
监控不同 Prompt 的 Cached Token 和 Prompt Token 的比重、延迟、命中率，来优化 Prompt 结构；
近期未使用的缓存会被系统逐出，因此，尽可能保持 Prompt 前缀的稳定，以获得更高的缓存命中率。
对于较长的 Prompt，可以放在系统流量非高峰期进行，以减少缓存被逐出的次数，获得更高的缓存命中率。

如何对缓存进行排查

如果你的请求没有按照你的预期进行缓存，你可以按照如下的思路进行排查：

确保缓存的部分在每次调用过程中都始终保持一致；
检查是否两次请求间隔时间太长，以避免缓存失效；
验证是否提供了至少 256个 Token 作为输入。

常见问题

缓存是否影响模型的推理的效果？

缓存不会影响模型的推理效果，每次生成都会使用完整的 Prompt 进行推理。

我是否需要为 Prompt 缓存额外付费？

Prompt Cache 功能将会对 Cache 到的部分进行减免，按照 Cache 部分 Token 在对应模型的费用的 20% 的费用进行计费。

我是否可以手动清除 Prompt 缓存？

目前不提供手动清除缓存的能力。你可以通过修改 Prompt 来使请求不命中缓存；

我是否可以让我的请求始终命中缓存？

目前我们不提供保证始终命中的 Prompt 缓存，如果你有相关诉求，可以通过联系我们和我们取得联系，确认你的场景和问题。

开发指南

​缓存支持模型

​Prompt 缓存的基础原理

​如何判断自己是否使用了 Prompt 缓存

​什么样的内容会进入缓存