Related: Phase 11 · 15(Prompt Caching)——本课讲应用层缓存(语义缓存、精确哈希缓存、模型路由)。第 15 课讲提供商层 prompt 缓存(Anthropic cache_control、OpenAI 自动缓存、Gemini CachedContent)。两者结合可降低 50-95% 成本。
- 实现语义缓存,对重复或相似的查询直接返回缓存结果,而不是发起新的 API 调用
- 计算各提供商的单次请求成本,并实现 token 感知的限流和预算告警
- 构建成本优化层,包含 prompt 压缩、模型路由(昂贵模型与廉价模型)和响应缓存
- 针对不同查询类型,设计由精确匹配、语义相似度和前缀缓存组成的分层缓存策略
问题
你构建了一个 RAG 聊天机器人。它运行得很漂亮。用户很喜欢它。
然后账单到了。
GPT-5 每百万输入 token 收费 5 美元,每百万输出 token 收费 15 美元。Claude Opus 4.7 为输入 15 美元 / 输出 75 美元。Gemini 3 Pro 为输入 1.25 美元 / 输出 5 美元。GPT-5-mini 为 0.25/2 美元。下文价格仅为示意,请始终以提供商当前的定价页面为准。
这是能压垮创业公司的算术:
- 每天 10,000 名活跃用户
- 每位用户每天 10 次查询
- 每次查询 1,000 个输入 token(system prompt + 上下文 + 用户消息)
- 每次响应 500 个输出 token
每日输入成本: 10,000 x 10 x 1,000 / 1,000,000 x $2.50 = $250/day
每日输出成本: 10,000 x 10 x 500 / 1,000,000 x $10.00 = $500/day
每月总计: $22,500/month
这还只是 LLM。再加上 embedding、向量数据库托管、基础设施。一个聊天机器人每月要花 30,000 美元。
残酷的地方在于:这些查询中有 40-60% 是近似重复的。用户用略有不同的话问同样的问题。你的 system prompt——每个请求都一模一样——每次都会被计费。RAG 检索到的上下文文档,在问同一话题的用户之间反复出现。
你正在为冗余计算支付全价。
概念
一次 LLM 调用的成本解剖
每次 API 调用都有五个成本组成部分。
graph LR
A[User Query] --> B[System Prompt<br/>500-2000 tokens]
A --> C[Retrieved Context<br/>500-4000 tokens]
A --> D[User Message<br/>50-500 tokens]
B --> E[Input Cost<br/>$2.50/1M tokens]
C --> E
D --> E
E --> F[Model Processing]
F --> G[Output Cost<br/>$10.00/1M tokens]System prompt 是无声的杀手。一个 1,500 token 的 system prompt 随每个请求发送,光这段前缀在每百万次请求上就要花 3.75 美元。按每天 10 万次请求计算,就是每天 375 美元——每月 11,250 美元——为的是一段永远不变的文本。
提供商缓存:内置折扣
到 2026 年,三大提供商都提供提供商侧的 prompt 缓存,但机制各不相同。深入内容见 Phase 11 · 15。
| 提供商 | 机制 | 折扣 | 最小长度 | 缓存时长 |
|---|---|---|---|---|
| Anthropic | 显式 cache_control 标记 | 命中缓存时 90%(写入时多付 25%) | 1,024 tokens(Sonnet/Opus),2,048(Haiku) | 默认 5 分钟;可扩展至 1 小时(写入溢价 2 倍) |
| OpenAI | 自动前缀匹配 | 命中缓存时 50% | 1,024 tokens | 尽力而为,最长 1 小时 |
| Google Gemini | 显式 CachedContent API | 约 75% 降幅(另加存储费) | 4,096(Flash)/ 32,768(Pro) | 用户可配置 TTL |
Anthropic 的做法是显式的。你用 cache_control: {"type": "ephemeral"} 标记 prompt 的某些部分。首次请求支付 25% 的写入溢价。后续具有相同前缀的请求享受 90% 折扣。一个通常花费 0.005 美元的 2,000 token system prompt,在缓存命中时只需 0.000625 美元。在 10 万次请求上,这每天节省 437.50 美元。
OpenAI 的做法是自动的。任何与之前请求匹配的 prompt 前缀都享受 50% 折扣,无需标记。代价是:折扣更少、控制更少,但零实现成本。
语义缓存:你的自定义层
提供商缓存只对完全相同的前缀有效。语义缓存处理更难的情况:表达不同、含义相同的查询。
「What is the return policy?」和「How do I return an item?」是两个不同的字符串,但意图相同。语义缓存把两个查询都做 embedding,计算余弦相似度,如果相似度超过阈值(通常为 0.92-0.95)就返回缓存响应。
flowchart TD
A[User Query] --> B[Embed Query]
B --> C{Similar query<br/>in cache?}
C -->|sim > 0.95| D[Return Cached Response]
C -->|sim < 0.95| E[Call LLM API]
E --> F[Cache Response<br/>with Embedding]
F --> G[Return Response]
D --> Gembedding 的成本可以忽略不计。OpenAI 的 text-embedding-3-small 每百万 token 收费 0.02 美元。与完整的 LLM 调用相比,检查缓存的成本几乎为零。
精确缓存:哈希与匹配
对于确定性调用(temperature=0、相同模型、相同 prompt),精确缓存更简单也更快。对完整 prompt 做哈希,查缓存,命中就返回。
这非常适合以下场景:
- system prompt + 固定上下文 + 完全相同的用户查询
- 工具定义完全相同的 function calling
- 同一文档会被处理多次的批处理
限流:保护你的预算
限流不只是为了公平,而是为了生存。
令牌桶算法: 每位用户有一个装有 N 个 token 的桶,以每秒 R 个的速率补充。请求从桶中消耗 token。如果桶空了,请求就被拒绝。这样既允许突发(一次用完整个桶),又强制了平均速率。
每用户配额: 按用户层级设置每日/每月 token 上限。
| 层级 | 每日 token 上限 | 每分钟最大请求数 | 模型访问权限 |
|---|---|---|---|
| 免费 | 50,000 | 10 | 仅 GPT-4o-mini |
| Pro | 500,000 | 60 | GPT-4o、Claude Sonnet |
| 企业 | 5,000,000 | 300 | 所有模型 |
模型路由:合适的模型做合适的事
不是每个查询都需要 GPT-4o。
「商店几点关门?」不需要一个输出每百万 token 10 美元的模型。输出每百万 0.60 美元的 GPT-4o-mini 就能完美处理。输出每百万 1.25 美元的 Claude Haiku 也能处理。一个简单的分类器就能把廉价查询路由到廉价模型,把复杂查询路由到昂贵模型。
flowchart TD
A[User Query] --> B[Complexity Classifier]
B -->|Simple: lookup, FAQ| C[GPT-4o-mini<br/>$0.15/$0.60 per 1M]
B -->|Medium: analysis, summary| D[Claude Sonnet<br/>$3.00/$15.00 per 1M]
B -->|Complex: reasoning, code| E[GPT-4o / Claude Opus<br/>$2.50/$10.00+]调优良好的路由器仅模型成本就能节省 40-70%。
成本追踪:知道钱花在哪
你无法优化你没有度量的东西。记录每次 API 调用:
- 时间戳
- 模型名称
- 输入 token
- 输出 token
- 延迟(ms)
- 计算出的成本($)
- 用户 ID
- 缓存命中/未命中
- 请求类别
这些数据能揭示哪些功能昂贵、哪些用户是重度消费者,以及缓存在哪里影响最大。
批处理:批量折扣
OpenAI 的 Batch API 以 50% 折扣异步处理请求。你提交最多 50,000 个请求的 batch,结果在 24 小时内返回。
批处理适用于:
- 每晚的文档处理
- 批量分类
- 评估运行
- 数据富集 pipeline
不适用于:面向用户的实时查询(延迟很重要)。
预算告警与熔断器
熔断器在触及限额时停止支出。没有它,一个 bug 或滥用就能在几小时内烧掉你整月的预算。
设置三个阈值:
- 警告(预算的 70%):发送告警
- 限流(预算的 85%):只切换使用更便宜的模型
- 停止(预算的 95%):拒绝新请求,只返回缓存响应
优化栈
按顺序应用这些技术。每一层都在前一层的基础上叠加。
| 层级 | 技术 | 典型节省 | 实现难度 |
|---|---|---|---|
| 1 | 提供商 prompt 缓存 | 30-50% | 低(添加缓存标记) |
| 2 | 精确缓存 | 10-20% | 低(哈希 + 字典) |
| 3 | 语义缓存 | 15-30% | 中(embedding + 相似度) |
| 4 | 模型路由 | 40-70% | 中(分类器) |
| 5 | 限流 | 预算保护 | 低(令牌桶) |
| 6 | prompt 压缩 | 10-30% | 中(改写 prompt) |
| 7 | 批处理 | 符合条件省 50% | 低(Batch API) |
一个应用了第 1-5 层的 RAG 应用,通常能把成本从每月 22,500 美元降到每月 4,000-6,000 美元。这就是烧钱和做生意的区别。
真实节省:优化前后
以下是一个服务 10,000 DAU 的 RAG 聊天机器人的真实拆解。
| 指标 | 优化前 | 优化后 | 节省 |
|---|---|---|---|
| 每月 LLM 成本 | $22,500 | $5,200 | 77% |
| 平均每次查询成本 | $0.0075 | $0.0017 | 77% |
| 缓存命中率 | 0% | 52% | -- |
| 路由到 mini 的查询比例 | 0% | 65% | -- |
| P95 延迟 | 2,800ms | 900ms(缓存命中:50ms) | 68% |
| 每月 embedding 成本 | $0 | $180 | (新增成本) |
| 每月总成本 | $22,500 | $5,380 | 76% |
语义缓存的 embedding 成本(每月 180 美元)在缓存命中的第一个小时内就能收回。
构建它
第 1 步:成本计算器
构建一个知道主流模型当前定价的 token 成本计算器。
pythonimport hashlib
import time
import json
import math
from dataclasses import dataclass, field
MODEL_PRICING = {
"gpt-4o": {"input": 2.50, "output": 10.00, "cached_input": 1.25},
"gpt-4o-mini": {"input": 0.15, "output": 0.60, "cached_input": 0.075},
"gpt-4.1": {"input": 2.00, "output": 8.00, "cached_input": 0.50},
"gpt-4.1-mini": {"input": 0.40, "output": 1.60, "cached_input": 0.10},
"gpt-4.1-nano": {"input": 0.10, "output": 0.40, "cached_input": 0.025},
"o3": {"input": 2.00, "output": 8.00, "cached_input": 0.50},
"o3-mini": {"input": 1.10, "output": 4.40, "cached_input": 0.55},
"o4-mini": {"input": 1.10, "output": 4.40, "cached_input": 0.275},
"claude-opus-4": {"input": 15.00, "output": 75.00, "cached_input": 1.50},
"claude-sonnet-4": {"input": 3.00, "output": 15.00, "cached_input": 0.30},
"claude-haiku-3.5": {"input": 0.80, "output": 4.00, "cached_input": 0.08},
"gemini-2.5-pro": {"input": 1.25, "output": 10.00, "cached_input": 0.3125},
"gemini-2.5-flash": {"input": 0.15, "output": 0.60, "cached_input": 0.0375},
}
def calculate_cost(model, input_tokens, output_tokens, cached_input_tokens=0):
if model not in MODEL_PRICING:
return {"error": f"Unknown model: {model}"}
pricing = MODEL_PRICING[model]
non_cached = input_tokens - cached_input_tokens
input_cost = (non_cached / 1_000_000) * pricing["input"]
cached_cost = (cached_input_tokens / 1_000_000) * pricing["cached_input"]
output_cost = (output_tokens / 1_000_000) * pricing["output"]
total = input_cost + cached_cost + output_cost
return {
"model": model,
"input_tokens": input_tokens,
"output_tokens": output_tokens,
"cached_input_tokens": cached_input_tokens,
"input_cost": round(input_cost, 6),
"cached_input_cost": round(cached_cost, 6),
"output_cost": round(output_cost, 6),
"total_cost": round(total, 6),
}第 2 步:精确缓存
对完整 prompt 做哈希,对完全相同的请求返回缓存响应。
pythonclass ExactCache:
def __init__(self, max_size=1000, ttl_seconds=3600):
self.cache = {}
self.max_size = max_size
self.ttl = ttl_seconds
self.hits = 0
self.misses = 0
def _hash(self, model, messages, temperature):
key_data = json.dumps({"model": model, "messages": messages, "temperature": temperature}, sort_keys=True)
return hashlib.sha256(key_data.encode()).hexdigest()
def get(self, model, messages, temperature=0.0):
if temperature > 0:
self.misses += 1
return None
key = self._hash(model, messages, temperature)
if key in self.cache:
entry = self.cache[key]
if time.time() - entry["timestamp"] < self.ttl:
self.hits += 1
entry["access_count"] += 1
return entry["response"]
del self.cache[key]
self.misses += 1
return None
def put(self, model, messages, temperature, response):
if temperature > 0:
return
if len(self.cache) >= self.max_size:
oldest_key = min(self.cache, key=lambda k: self.cache[k]["timestamp"])
del self.cache[oldest_key]
key = self._hash(model, messages, temperature)
self.cache[key] = {
"response": response,
"timestamp": time.time(),
"access_count": 1,
}
def stats(self):
total = self.hits + self.misses
return {
"hits": self.hits,
"misses": self.misses,
"hit_rate": round(self.hits / total, 4) if total > 0 else 0,
"cache_size": len(self.cache),
}第 3 步:语义缓存
对查询做 embedding,当相似度超过阈值时返回缓存响应。
pythondef simple_embed(text):
words = text.lower().split()
vocab = {}
for w in words:
vocab[w] = vocab.get(w, 0) + 1
norm = math.sqrt(sum(v * v for v in vocab.values()))
if norm == 0:
return {}
return {k: v / norm for k, v in vocab.items()}
def cosine_similarity(a, b):
if not a or not b:
return 0.0
all_keys = set(a) | set(b)
dot = sum(a.get(k, 0) * b.get(k, 0) for k in all_keys)
return dot
class SemanticCache:
def __init__(self, similarity_threshold=0.85, max_size=500, ttl_seconds=3600):
self.entries = []
self.threshold = similarity_threshold
self.max_size = max_size
self.ttl = ttl_seconds
self.hits = 0
self.misses = 0
def get(self, query):
query_embedding = simple_embed(query)
now = time.time()
best_match = None
best_sim = 0.0
for entry in self.entries:
if now - entry["timestamp"] > self.ttl:
continue
sim = cosine_similarity(query_embedding, entry["embedding"])
if sim > best_sim:
best_sim = sim
best_match = entry
if best_match and best_sim >= self.threshold:
self.hits += 1
best_match["access_count"] += 1
return {"response": best_match["response"], "similarity": round(best_sim, 4), "original_query": best_match["query"]}
self.misses += 1
return None
def put(self, query, response):
if len(self.entries) >= self.max_size:
self.entries.sort(key=lambda e: e["timestamp"])
self.entries.pop(0)
self.entries.append({
"query": query,
"embedding": simple_embed(query),
"response": response,
"timestamp": time.time(),
"access_count": 1,
})
def stats(self):
total = self.hits + self.misses
return {
"hits": self.hits,
"misses": self.misses,
"hit_rate": round(self.hits / total, 4) if total > 0 else 0,
"cache_size": len(self.entries),
}第 4 步:限流器
带每用户配额的令牌桶限流器。
pythonclass TokenBucketRateLimiter:
def __init__(self):
self.buckets = {}
self.tiers = {
"free": {"capacity": 50_000, "refill_rate": 500, "max_requests_per_min": 10},
"pro": {"capacity": 500_000, "refill_rate": 5_000, "max_requests_per_min": 60},
"enterprise": {"capacity": 5_000_000, "refill_rate": 50_000, "max_requests_per_min": 300},
}
def _get_bucket(self, user_id, tier="free"):
if user_id not in self.buckets:
tier_config = self.tiers.get(tier, self.tiers["free"])
self.buckets[user_id] = {
"tokens": tier_config["capacity"],
"capacity": tier_config["capacity"],
"refill_rate": tier_config["refill_rate"],
"last_refill": time.time(),
"request_timestamps": [],
"max_rpm": tier_config["max_requests_per_min"],
"tier": tier,
"total_tokens_used": 0,
}
return self.buckets[user_id]
def _refill(self, bucket):
now = time.time()
elapsed = now - bucket["last_refill"]
refill = int(elapsed * bucket["refill_rate"])
if refill > 0:
bucket["tokens"] = min(bucket["capacity"], bucket["tokens"] + refill)
bucket["last_refill"] = now
def check(self, user_id, tokens_needed, tier="free"):
bucket = self._get_bucket(user_id, tier)
self._refill(bucket)
now = time.time()
bucket["request_timestamps"] = [t for t in bucket["request_timestamps"] if now - t < 60]
if len(bucket["request_timestamps"]) >= bucket["max_rpm"]:
return {"allowed": False, "reason": "rate_limit", "retry_after_seconds": 60 - (now - bucket["request_timestamps"][0])}
if bucket["tokens"] < tokens_needed:
deficit = tokens_needed - bucket["tokens"]
wait = deficit / bucket["refill_rate"]
return {"allowed": False, "reason": "token_limit", "tokens_available": bucket["tokens"], "retry_after_seconds": round(wait, 1)}
return {"allowed": True, "tokens_available": bucket["tokens"]}
def consume(self, user_id, tokens_used, tier="free"):
bucket = self._get_bucket(user_id, tier)
bucket["tokens"] -= tokens_used
bucket["request_timestamps"].append(time.time())
bucket["total_tokens_used"] += tokens_used
def get_usage(self, user_id):
if user_id not in self.buckets:
return {"error": "User not found"}
b = self.buckets[user_id]
return {
"user_id": user_id,
"tier": b["tier"],
"tokens_remaining": b["tokens"],
"capacity": b["capacity"],
"total_tokens_used": b["total_tokens_used"],
"utilization": round(b["total_tokens_used"] / b["capacity"], 4) if b["capacity"] else 0,
}第 5 步:成本追踪器
记录每次调用并计算累计总额。
pythonclass CostTracker:
def __init__(self, monthly_budget=1000.0):
self.logs = []
self.monthly_budget = monthly_budget
self.alerts = []
def log_call(self, model, input_tokens, output_tokens, cached_input_tokens=0, latency_ms=0, user_id="anonymous", cache_status="miss"):
cost = calculate_cost(model, input_tokens, output_tokens, cached_input_tokens)
entry = {
"timestamp": time.time(),
"model": model,
"input_tokens": input_tokens,
"output_tokens": output_tokens,
"cached_input_tokens": cached_input_tokens,
"latency_ms": latency_ms,
"cost": cost["total_cost"],
"user_id": user_id,
"cache_status": cache_status,
}
self.logs.append(entry)
self._check_budget()
return entry
def _check_budget(self):
total = self.total_cost()
pct = total / self.monthly_budget if self.monthly_budget > 0 else 0
if pct >= 0.95 and not any(a["level"] == "stop" for a in self.alerts):
self.alerts.append({"level": "stop", "message": f"Budget 95% consumed: ${total:.2f}/${self.monthly_budget:.2f}", "timestamp": time.time()})
elif pct >= 0.85 and not any(a["level"] == "throttle" for a in self.alerts):
self.alerts.append({"level": "throttle", "message": f"Budget 85% consumed: ${total:.2f}/${self.monthly_budget:.2f}", "timestamp": time.time()})
elif pct >= 0.70 and not any(a["level"] == "warning" for a in self.alerts):
self.alerts.append({"level": "warning", "message": f"Budget 70% consumed: ${total:.2f}/${self.monthly_budget:.2f}", "timestamp": time.time()})
def total_cost(self):
return round(sum(e["cost"] for e in self.logs), 6)
def cost_by_model(self):
by_model = {}
for e in self.logs:
m = e["model"]
if m not in by_model:
by_model[m] = {"calls": 0, "cost": 0, "input_tokens": 0, "output_tokens": 0}
by_model[m]["calls"] += 1
by_model[m]["cost"] = round(by_model[m]["cost"] + e["cost"], 6)
by_model[m]["input_tokens"] += e["input_tokens"]
by_model[m]["output_tokens"] += e["output_tokens"]
return by_model
def cache_savings(self):
cache_hits = [e for e in self.logs if e["cache_status"] == "hit"]
if not cache_hits:
return {"saved": 0, "cache_hits": 0}
saved = 0
for e in cache_hits:
full_cost = calculate_cost(e["model"], e["input_tokens"], e["output_tokens"])
saved += full_cost["total_cost"]
return {"saved": round(saved, 4), "cache_hits": len(cache_hits)}
def summary(self):
if not self.logs:
return {"total_calls": 0, "total_cost": 0}
total_latency = sum(e["latency_ms"] for e in self.logs)
cache_hits = sum(1 for e in self.logs if e["cache_status"] == "hit")
return {
"total_calls": len(self.logs),
"total_cost": self.total_cost(),
"avg_cost_per_call": round(self.total_cost() / len(self.logs), 6),
"avg_latency_ms": round(total_latency / len(self.logs), 1),
"cache_hit_rate": round(cache_hits / len(self.logs), 4),
"cost_by_model": self.cost_by_model(),
"cache_savings": self.cache_savings(),
"budget_remaining": round(self.monthly_budget - self.total_cost(), 2),
"budget_utilization": round(self.total_cost() / self.monthly_budget, 4) if self.monthly_budget > 0 else 0,
"alerts": self.alerts,
}第 6 步:模型路由器
将查询路由到能处理它的最便宜模型。
pythonSIMPLE_KEYWORDS = ["what time", "hours", "address", "phone", "price", "return policy", "hello", "hi", "thanks", "yes", "no"]
COMPLEX_KEYWORDS = ["analyze", "compare", "explain why", "write code", "debug", "architect", "design", "trade-off", "evaluate"]
def classify_complexity(query):
q = query.lower()
if len(q.split()) <= 5 or any(kw in q for kw in SIMPLE_KEYWORDS):
return "simple"
if any(kw in q for kw in COMPLEX_KEYWORDS):
return "complex"
return "medium"
def route_model(query, tier="pro"):
complexity = classify_complexity(query)
routing_table = {
"simple": {"free": "gpt-4.1-nano", "pro": "gpt-4o-mini", "enterprise": "gpt-4o-mini"},
"medium": {"free": "gpt-4o-mini", "pro": "claude-sonnet-4", "enterprise": "claude-sonnet-4"},
"complex": {"free": "gpt-4o-mini", "pro": "gpt-4o", "enterprise": "claude-opus-4"},
}
model = routing_table[complexity].get(tier, "gpt-4o-mini")
return {"query": query, "complexity": complexity, "model": model, "tier": tier}第 7 步:运行演示
pythondef simulate_llm_call(model, query):
input_tokens = len(query.split()) * 4 + 500
output_tokens = 150 + (len(query.split()) * 2)
latency = 200 + (output_tokens * 2)
return {
"model": model,
"response": f"[Simulated {model} response to: {query[:50]}...]",
"input_tokens": input_tokens,
"output_tokens": output_tokens,
"latency_ms": latency,
}
def run_demo():
print("=" * 60)
print(" Caching, Rate Limiting & Cost Optimization Demo")
print("=" * 60)
print("\n--- Model Pricing ---")
for model, pricing in list(MODEL_PRICING.items())[:6]:
cost_1k = calculate_cost(model, 1000, 500)
print(f" {model}: ${cost_1k['total_cost']:.6f} per 1K in + 500 out")
print("\n--- Cost Comparison: 100K Requests ---")
for model in ["gpt-4o", "gpt-4o-mini", "claude-sonnet-4", "claude-haiku-3.5"]:
cost = calculate_cost(model, 1000 * 100_000, 500 * 100_000)
print(f" {model}: ${cost['total_cost']:.2f}")
print("\n--- Anthropic Cache Savings ---")
no_cache = calculate_cost("claude-sonnet-4", 2000, 500, 0)
with_cache = calculate_cost("claude-sonnet-4", 2000, 500, 1500)
saving = no_cache["total_cost"] - with_cache["total_cost"]
print(f" Without cache: ${no_cache['total_cost']:.6f}")
print(f" With 1500 cached tokens: ${with_cache['total_cost']:.6f}")
print(f" Savings per call: ${saving:.6f} ({saving/no_cache['total_cost']*100:.1f}%)")
exact_cache = ExactCache(max_size=100, ttl_seconds=300)
semantic_cache = SemanticCache(similarity_threshold=0.75, max_size=100)
rate_limiter = TokenBucketRateLimiter()
tracker = CostTracker(monthly_budget=100.0)
print("\n--- Exact Cache ---")
messages_1 = [{"role": "user", "content": "What is the return policy?"}]
result = exact_cache.get("gpt-4o-mini", messages_1, 0.0)
print(f" First lookup: {'HIT' if result else 'MISS'}")
exact_cache.put("gpt-4o-mini", messages_1, 0.0, "You can return items within 30 days.")
result = exact_cache.get("gpt-4o-mini", messages_1, 0.0)
print(f" Second lookup: {'HIT' if result else 'MISS'} -> {result}")
result = exact_cache.get("gpt-4o-mini", messages_1, 0.7)
print(f" With temp=0.7: {'HIT' if result else 'MISS (non-deterministic, skip cache)'}")
print(f" Stats: {exact_cache.stats()}")
print("\n--- Semantic Cache ---")
test_queries = [
("What is the return policy?", "Items can be returned within 30 days with receipt."),
("How do I return an item?", None),
("What are your store hours?", "We are open 9am-9pm Monday through Saturday."),
("When does the store open?", None),
("Tell me about quantum computing", "Quantum computers use qubits..."),
("Explain quantum mechanics", None),
]
for query, response in test_queries:
cached = semantic_cache.get(query)
if cached:
print(f" '{query[:40]}' -> CACHE HIT (sim={cached['similarity']}, original='{cached['original_query'][:40]}')")
elif response:
semantic_cache.put(query, response)
print(f" '{query[:40]}' -> MISS (stored)")
else:
print(f" '{query[:40]}' -> MISS (no match)")
print(f" Stats: {semantic_cache.stats()}")
print("\n--- Rate Limiting ---")
for i in range(12):
check = rate_limiter.check("user_1", 1000, "free")
if check["allowed"]:
rate_limiter.consume("user_1", 1000, "free")
status = "OK" if check["allowed"] else f"BLOCKED ({check['reason']})"
if i < 5 or not check["allowed"]:
print(f" Request {i+1}: {status}")
print(f" Usage: {rate_limiter.get_usage('user_1')}")
print("\n--- Model Routing ---")
routing_queries = [
"What time do you close?",
"Summarize this quarterly earnings report",
"Analyze the trade-offs between microservices and monoliths",
"Hello",
"Write code for a binary search tree with deletion",
]
for q in routing_queries:
route = route_model(q, "pro")
print(f" '{q[:50]}' -> {route['model']} ({route['complexity']})")
print("\n--- Full Pipeline: Before vs After Optimization ---")
queries = [
"What is the return policy?",
"How do I return something?",
"What are your hours?",
"When do you open?",
"Explain the difference between TCP and UDP",
"Compare TCP vs UDP protocols",
"Hello",
"What is your phone number?",
"Write a Python function to sort a list",
"Analyze the pros and cons of serverless architecture",
]
print("\n [Before: no caching, single model (gpt-4o)]")
tracker_before = CostTracker(monthly_budget=1000.0)
for q in queries:
result = simulate_llm_call("gpt-4o", q)
tracker_before.log_call("gpt-4o", result["input_tokens"], result["output_tokens"], latency_ms=result["latency_ms"], cache_status="miss")
before = tracker_before.summary()
print(f" Total cost: ${before['total_cost']:.6f}")
print(f" Avg cost/call: ${before['avg_cost_per_call']:.6f}")
print(f" Avg latency: {before['avg_latency_ms']}ms")
print("\n [After: caching + routing + rate limiting]")
exact_c = ExactCache()
semantic_c = SemanticCache(similarity_threshold=0.75)
tracker_after = CostTracker(monthly_budget=1000.0)
for q in queries:
messages = [{"role": "user", "content": q}]
cached = exact_c.get("gpt-4o", messages, 0.0)
if cached:
tracker_after.log_call("gpt-4o-mini", 0, 0, latency_ms=5, cache_status="hit")
continue
sem_cached = semantic_c.get(q)
if sem_cached:
tracker_after.log_call("gpt-4o-mini", 0, 0, latency_ms=15, cache_status="hit")
continue
route = route_model(q)
result = simulate_llm_call(route["model"], q)
tracker_after.log_call(route["model"], result["input_tokens"], result["output_tokens"], latency_ms=result["latency_ms"], cache_status="miss")
exact_c.put(route["model"], messages, 0.0, result["response"])
semantic_c.put(q, result["response"])
after = tracker_after.summary()
print(f" Total cost: ${after['total_cost']:.6f}")
print(f" Avg cost/call: ${after['avg_cost_per_call']:.6f}")
print(f" Avg latency: {after['avg_latency_ms']}ms")
print(f" Cache hit rate: {after['cache_hit_rate']:.0%}")
if before["total_cost"] > 0:
savings_pct = (1 - after["total_cost"] / before["total_cost"]) * 100
print(f"\n SAVINGS: {savings_pct:.1f}% cost reduction")
print(f" Latency improvement: {(1 - after['avg_latency_ms'] / before['avg_latency_ms']) * 100:.1f}% faster")
print("\n--- Budget Alerts Demo ---")
alert_tracker = CostTracker(monthly_budget=0.01)
for i in range(5):
alert_tracker.log_call("gpt-4o", 5000, 2000, latency_ms=500)
print(f" Total spent: ${alert_tracker.total_cost():.6f} / ${alert_tracker.monthly_budget}")
for alert in alert_tracker.alerts:
print(f" ALERT [{alert['level'].upper()}]: {alert['message']}")
print("\n--- Cost Breakdown by Model ---")
multi_tracker = CostTracker(monthly_budget=500.0)
for _ in range(50):
multi_tracker.log_call("gpt-4o-mini", 800, 200, latency_ms=150)
for _ in range(30):
multi_tracker.log_call("claude-sonnet-4", 1500, 500, latency_ms=400)
for _ in range(10):
multi_tracker.log_call("gpt-4o", 2000, 800, latency_ms=600)
for _ in range(10):
multi_tracker.log_call("claude-opus-4", 3000, 1000, latency_ms=1200)
breakdown = multi_tracker.cost_by_model()
for model, data in sorted(breakdown.items(), key=lambda x: x[1]["cost"], reverse=True):
print(f" {model}: {data['calls']} calls, ${data['cost']:.6f}, {data['input_tokens']:,} in / {data['output_tokens']:,} out")
print(f" Total: ${multi_tracker.total_cost():.6f}")
print("\n" + "=" * 60)
print(" Demo complete.")
print("=" * 60)
if __name__ == "__main__":
run_demo()使用它
Anthropic prompt 缓存
python# import anthropic
#
# client = anthropic.Anthropic()
#
# response = client.messages.create(
# model="claude-sonnet-5",
# max_tokens=1024,
# system=[
# {
# "type": "text",
# "text": "You are a helpful customer support agent for Acme Corp...",
# "cache_control": {"type": "ephemeral"},
# }
# ],
# messages=[{"role": "user", "content": "What is the return policy?"}],
# )
#
# print(f"Input tokens: {response.usage.input_tokens}")
# print(f"Cache creation tokens: {response.usage.cache_creation_input_tokens}")
# print(f"Cache read tokens: {response.usage.cache_read_input_tokens}")首次调用写入缓存(25% 溢价)。之后每次具有相同 system prompt 前缀的调用都从缓存读取(90% 折扣)。缓存持续 5 分钟,每次命中都会重置计时器。
OpenAI 自动缓存
python# from openai import OpenAI
#
# client = OpenAI()
#
# response = client.chat.completions.create(
# model="gpt-4o",
# messages=[
# {"role": "system", "content": "You are a helpful customer support agent..."},
# {"role": "user", "content": "What is the return policy?"},
# ],
# )
#
# print(f"Prompt tokens: {response.usage.prompt_tokens}")
# print(f"Cached tokens: {response.usage.prompt_tokens_details.cached_tokens}")
# print(f"Completion tokens: {response.usage.completion_tokens}")OpenAI 会自动缓存。任何 1,024 token 以上、与近期请求匹配的 prompt 前缀都享受 50% 折扣。无需改动代码——只要检查响应中的 prompt_tokens_details.cached_tokens 来确认它生效了。
OpenAI Batch API
python# import json
# from openai import OpenAI
#
# client = OpenAI()
#
# requests = []
# for i, query in enumerate(queries):
# requests.append({
# "custom_id": f"request-{i}",
# "method": "POST",
# "url": "/v1/chat/completions",
# "body": {
# "model": "gpt-4o-mini",
# "messages": [{"role": "user", "content": query}],
# },
# })
#
# with open("batch_input.jsonl", "w") as f:
# for r in requests:
# f.write(json.dumps(r) + "\n")
#
# batch_file = client.files.create(file=open("batch_input.jsonl", "rb"), purpose="batch")
# batch = client.batches.create(input_file_id=batch_file.id, endpoint="/v1/chat/completions", completion_window="24h")
# print(f"Batch ID: {batch.id}, Status: {batch.status}")Batch API 对所有 token 提供统一的 50% 折扣。结果在 24 小时内返回。非常适合非实时工作负载:评估、数据标注、批量摘要。
用 Redis 实现生产级语义缓存
python# import redis
# import numpy as np
# from openai import OpenAI
#
# r = redis.Redis()
# client = OpenAI()
#
# def get_embedding(text):
# response = client.embeddings.create(model="text-embedding-3-small", input=text)
# return response.data[0].embedding
#
# def semantic_cache_lookup(query, threshold=0.95):
# query_emb = np.array(get_embedding(query))
# keys = r.keys("cache:emb:*")
# best_sim, best_key = 0, None
# for key in keys:
# stored_emb = np.frombuffer(r.get(key), dtype=np.float32)
# sim = np.dot(query_emb, stored_emb) / (np.linalg.norm(query_emb) * np.linalg.norm(stored_emb))
# if sim > best_sim:
# best_sim, best_key = sim, key
# if best_sim >= threshold and best_key:
# response_key = best_key.decode().replace("cache:emb:", "cache:resp:")
# return r.get(response_key).decode()
# return None在生产环境中,用向量索引(Redis Vector Search、Pinecone 或 pgvector)替换线性扫描。线性扫描适用于少于 1,000 条记录的情况。超过之后,改用 ANN(近似最近邻)实现 O(\log n) 查找。
交付它
本课产出 outputs/prompt-cost-optimizer.md——一个可复用的 prompt,用于分析你的 LLM 应用并给出具体的成本优化建议及预计节省。
它还产出 outputs/skill-cost-patterns.md——一个决策框架,帮你为使用场景选择合适的缓存策略、限流配置和模型路由规则。
练习
- 为语义缓存实现 LRU 淘汰。 把最旧优先的淘汰方式换成最近最少使用。记录每个条目的最后访问时间,缓存满时淘汰访问时间最老的条目。在 100 个查询上比较两种策略的命中率。
- 构建一个成本预测工具。 给定一份 API 调用日志(CostTracker 的日志),基于过去 7 天的平均值预测月度成本。考虑工作日/周末模式。如果预测的月度成本超出预算 20% 以上,就触发告警。
- 实现分层语义缓存。 使用两个相似度阈值:0.98 表示高置信命中(立即返回),0.90 表示中等置信命中(返回时附带说明:「基于之前一个类似的问题……」)。记录每次命中的层级,并衡量用户满意度的差异。
- 构建模型路由分类器。 用基于 embedding 的分类器替换基于关键词的分类器。对 50 个带标签的查询(简单/中等/复杂)做 embedding,然后通过寻找最近的带标签样本来分类新查询。在 20 个查询的测试集上衡量分类准确率。
- 实现带降级级别的熔断器。 预算用到 70% 时记录警告。85% 时自动把所有路由切换到最便宜的模型(gpt-4o-mini)。95% 时只提供缓存响应并拒绝新查询。在 1.00 美元预算下模拟 1,000 个请求进行测试,验证每个阈值都正确触发。
关键术语
| 术语 | 人们怎么说 | 实际含义 |
|---|---|---|
| Prompt 缓存 | 「缓存 system prompt」 | 提供商层面的缓存,重复的 prompt 前缀获得折扣(Anthropic 90%,OpenAI 50%)——OpenAI 无需改代码,Anthropic 需要显式标记 |
| 语义缓存 | 「智能缓存」 | 对查询做 embedding,计算与过往查询的相似度,超过阈值就返回缓存响应——能捕捉精确匹配漏掉的同义改写 |
| 精确缓存 | 「哈希缓存」 | 对完整 prompt(模型 + 消息 + temperature)做哈希,对完全相同的输入返回缓存响应——只适用于 temperature=0 的确定性调用 |
| 令牌桶 | 「限流器」 | 每个用户有一个 N 个 token 的桶,以每秒 R 个的速率补充——允许最多 N 的突发,同时强制平均速率 R |
| 模型路由 | 「抠门路由」 | 用分类器把简单查询送到廉价模型(GPT-4o-mini、Haiku),把复杂查询送到昂贵模型(GPT-4o、Opus)——节省 40-70% 模型成本 |
| 成本追踪 | 「计量」 | 记录每次 API 调用的模型、token、延迟、成本和用户 ID,让你确切知道钱花在哪、哪些功能昂贵 |
| 熔断器 | 「终止开关」 | 当支出接近预算上限时,自动降级服务(更便宜的模型、只用缓存)或完全停止请求 |
| Batch API | 「批发折扣」 | OpenAI 以 50% 折扣进行的异步处理——最多提交 50,000 个请求,24 小时内拿到结果 |
| Prompt 压缩 | 「token 节食」 | 改写 system prompt 和上下文,用更少的 token 保留含义——更短的 prompt 成本更低,而且往往效果更好 |
| 缓存命中率 | 「缓存效率」 | 由缓存响应而非调用 LLM 处理的请求百分比——生产聊天机器人通常是 40-60%,成本按比例节省 |
延伸阅读
- Anthropic Prompt Caching Guide —— 官方文档,介绍 Anthropic 的显式 cache_control 标记、定价和缓存生命周期行为
- OpenAI Prompt Caching —— OpenAI 的自动缓存、如何通过 usage 字段验证缓存命中,以及最小前缀长度
- OpenAI Batch API —— 异步处理的 50% 折扣、JSONL 格式、24 小时完成窗口和 50K 请求限制
- GPTCache —— 开源语义缓存库,支持多种 embedding 后端、向量存储和淘汰策略
- Martian Model Router —— 生产级模型路由,自动选择能处理每个查询的最便宜模型
- Not Diamond —— 基于 ML 的模型路由器,从你的流量模式中学习,优化跨提供商的成本/质量权衡
- Helicone —— LLM 可观测性平台,以代理层形式提供成本追踪、缓存、限流和预算告警
- Dean & Barroso, "The Tail at Scale" (CACM 2013) —— 延迟、吞吐量、TTFT/TPOT 分位数和对冲请求;"pick the cheapest model that still meets P95" 背后的成本模型。
- Kwon et al., "Efficient Memory Management for Large Language Model Serving with PagedAttention" (SOSP 2023) —— vLLM 论文;为什么分页 KV cache + 连续批处理在吞吐量上比朴素服务器高 24 倍,"缓存与成本" 之下的基础设施层。
- Dao et al., "FlashAttention-2: Faster Attention with Better Parallelism and Work Partitioning" (ICLR 2024) —— 与 prompt 缓存正交的内核级成本削减;与投机解码和 GQA 一起阅读,才能看到完整的成本曲线。