提示词缓存：API账单的隐藏折扣通道

导语： 同样调 Claude、GPT、DeepSeek 的 API，有人月底账单上万，有人只花零头——差别不在用量，而在一个 90% 国内开发者从没主动用过的机制：Prompt Caching（提示词缓存）。它不是第三方灰产折扣，而是四家官方文档白纸黑字写明的“原生折扣通道”：Claude 缓存命中只要原价 10%，DeepSeek 命中价是未命中价的 2%，OpenAI 官方宣称最高省 90% 输入成本，Gemini 甚至默认帮你开启。这篇文章把四家的机制、触发条件、隐藏参数和省钱计算一次性拆给你，全部信息来自本轮刚抓取的官方文档（2026年8月现行版本）。

一、为什么你一直在“原价裸奔”

先看一个所有做 Agent 的人都在犯的错：你的 Agent 每一轮对话，都要把 system prompt、工具定义、历史上下文重新发一遍。一个典型的 coding agent，单轮请求的前缀（系统指令 + 工具 schema + 代码库摘要）轻松超过 5 万 token。跑 100 轮，就是 500 万 token 的输入费——而这 500 万 token 里，99% 的内容和上一轮一模一样。

四家厂商早就为此准备了缓存机制：把重复的前缀在服务器上存下来，下次命中就直接复用计算结果（KV Cache），只收你一个极低的“读取价”。但这个机制在国内技术社区的存在感低得惊人——很多做了两年 LLM 应用的人，从来没在自己的账单里见过 cache_read_input_tokens 这个字段。

这就是本轮的信息差：折扣通道一直开着，只是你的 prompt 结构天生命不中它。

二、四家机制横评（2026年8月官方文档实测口径）

1. Anthropic Claude：最透明，也最需要“手动扳开关”

根据 Anthropic 官方 Prompt caching 文档（docs.anthropic.com/en/docs/build-with-claude/prompt-caching），以 Claude Sonnet 4（基础输入 $3/MTok）为例：

Opus 4.1 同理：输入 $15，缓存命中只要 $1.50。

关键机制，每一条都值钱：

• 必须手动标记：在请求里加 cache_control 断点，Claude 才会缓存。这是四家里唯一“默认关闭”的，也是最多人错过的。
• 断点本身免费：官方明确“cache breakpoints don't add any cost”，最多可设 4 个，用来给“变化频率不同的内容”分层（工具定义周级不变、上下文日级更新、用户消息秒级变化）。
• 自动前缀回溯：只设 1 个断点时，系统会自动向前检查约 20 个内容块边界的缓存命中，不必到处插标记。
• 最短门槛：Opus/Sonnet 系列 1024 token 起，Haiku 2048 token 起。太短的 prompt 标了也白标。
• 1小时 TTL 是隐藏大招：默认缓存只活 5 分钟（每次命中免费续期）。如果你的 Agent 单步要跑 6 分钟以上、或者用户回消息经常超过 5 分钟，用 ttl 参数切到 1 小时档——写入贵一点（2倍），但命中依然只要 0.1 倍。
• 缓存命中不计入限速：官方文档原文说 cache hits 不扣 rate limit 额度，高峰期这等于白送吞吐量。
• 失效陷阱：缓存层级是 tools → system → messages，改一个工具定义 = 全部作废重写。启用/关闭 web search、citations 也会改动 system prompt 导致失效。多人共用提示词模板时，哪怕改一个标点都算 miss（要求 100% 精确前缀匹配）。

2. OpenAI：全自动，但有个 24 小时隐藏参数

OpenAI 官方文档（platform.openai.com/docs/guides/prompt-caching）的口径：缓存自动开启、无需改代码、写入免费，官方宣称输入成本最高省 90%、延迟最高降 80%，对 gpt-4o 及之后所有模型生效。

大多数人不知道的三个细节：

• prompt_cache_retention: "24h"：默认缓存只在 GPU 内存里活 5–10 分钟。但对 gpt-5.2、gpt-5.1-codex-max、gpt-5.1、gpt-5、gpt-4.1 等模型，可以请求"Extended Prompt Caching"——把 KV 张量卸载到 GPU 本地存储，缓存最长保留 24 小时。跑低频但前缀巨大的任务（比如每天几次的长文档问答），这个参数直接决定你能不能命中。
• prompt_cache_key：路由是按前缀哈希做的。同类请求传同一个 prompt_cache_key，能显著提高命中率。但官方给了个坑：同一个 key+前缀组合超过约 15 RPM 会溢出到其他机器，命中率反而崩。多用户产品的正确粒度是“按用户/按会话”分 key，而不是全局一个。
• 门槛 1024 token：请求不足 1024 token 一律不缓存，cached_tokens 恒为 0。把 few-shot 示例、工具定义堆到 prompt 开头，既提效又凑门槛。

3. DeepSeek：命中价是原价的 2%，还有 Anthropic 兼容端点

刚抓取的 DeepSeek 官方价格页（api-docs.deepseek.com/zh-cn/quick_start/pricing，2026年8月现行 V4 版本）：

划重点：

• 命中率价 50 倍：flash 命中 0.02 元 vs 未命中 1 元，等于打了 2 折的 1 折——四家里缓存折扣最狠的一家。
• 1M 上下文 + 最大 384K 输出：v4 系列上下文长度 1M token，长文档场景配合缓存几乎是“白菜价读图书馆”。
• 旧模型名已死：deepseek-chat / deepseek-reasoner 已于北京时间 2026/07/24 弃用，分别映射到 v4-flash 的非思考/思考模式。老代码还在用旧名的话，赶紧改。
• 隐藏玩法——Claude Code 白嫖通道：官方文档明确提供 Anthropic 格式端点 https://api.deepseek.com/anthropic。也就是说，你可以在 Claude Code 里把模型后端换成 DeepSeek，用 Claude 的工作流跑 DeepSeek 的价格。文档还提到 DeepSeek 官方支持 Claude Code、GitHub Copilot、OpenCode 等工具直接接入，具体见其 Agent Integrations Guide。

4. Gemini：零配置，默认帮你省钱

Google 官方文档（ai.google.dev/gemini-api/docs/caching）：所有 Gemini 2.5 及更新模型默认开启 Implicit Caching，命中缓存自动传导折扣，“无需做任何事”。注意事项：

• 最低门槛：Gemini 2.5 系列需 2048 token，Gemini 3.x 系列（3.5/3.6/3.7 Flash、3.1 Pro Preview）需 4096 token。
• 提高命中率的官方建议和其他家一致：大块公共内容放 prompt 开头、相似前缀的请求在短时间内密集发送。
• 命中量可在响应的 usage.total_cached_tokens 字段核对。

（各家具体折扣率以各家定价页实时为准，本轮以官方文档口径为准。）

三、一张图看懂缓存的省钱路径

flowchart TD
    A[API 请求发出] --> B{前缀是否命中缓存?}
    B -->|命中| C[按缓存读取价计费]
    B -->|未命中| D[按全价计算输入]
    D --> E[前缀写入缓存<br/>Claude 收 1.25x 写入费<br/>OpenAI / Gemini / DeepSeek 免费]
    E --> F[5-10分钟后缓存过期?]
    F -->|是| A
    F -->|否| A
    C --> G[Claude: 0.1x · DeepSeek: 0.02x<br/>OpenAI: 最高省90% · Gemini: 自动折扣]
    C --> H[缓存自动续期, 不额外收费]
    G --> I[账单直降 50%~98%]
    H --> I

四、实战算账：一个 Agent 的月账单对比

场景：coding agent，固定前缀（系统指令+工具定义）5 万 token，每天 100 轮调用，以 Claude Sonnet 4 计。

• 不开缓存：50,000 × 100 × $3/1M = $15/天，一个月约 $450
• 开缓存：首轮写入 50,000 × $3.75/1M = $0.19；后续 99 轮命中 50,000 × $0.30/1M × 99 ≈ $1.49。合计 $1.68/天，一个月约 $50

省 89%。 如果你把非实时任务再挪到各家 Batch 模式（据 OpenAI 官方文档，Batch API 输入输出统一半价），还能在这基础上再砍一刀。

换成 DeepSeek v4-flash 同场景：全价 100 轮 = 5,000,000 × 1元/1M = 5 元/天；命中后约 0.19 元/天，月省约 144 元——量再大 100 倍，就是每月省上万元。

五、信息差总结

六、行动指南（今晚就能做完）

1. 查账单：打开你现在的 API 控制台，找 usage 里的 cached_tokens（OpenAI/Gemini）或 cache_read_input_tokens（Claude）。如果是 0 或占比极低，你一直在原价裸奔。
2. 重排 prompt：把 system 指令、工具定义、few-shot 示例、大段背景资料全部挪到 prompt 最前面，用户级动态内容放最后。这是所有缓存命中的前提——前缀必须逐字节一致。
3. 各家加开关：Claude 加 cache_control 断点（内容超过 5 分钟才复用就上 1 小时 TTL）；OpenAI 给同类请求配 prompt_cache_key（注意单 key 别超 15 RPM），低频大前缀任务试 prompt_cache_retention:"24h"；DeepSeek 无需配置，但确保 prompt 顺序利于前缀稳定。
4. 换便宜后端：把 Claude Code 的 ANTHROPIC_BASE_URL 指到 https://api.deepseek.com/anthropic，体验“Claude 的工作流 + DeepSeek 的价格”（注意工具调用兼容性以实际测试为准）。
5. 非实时任务走 Batch：定时报告、数据清洗、批量摘要这类不看延迟的任务，全挪到 Batch 模式拿半价。

七、参考来源

1. Anthropic — Prompt caching 官方文档：https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching
2. OpenAI — Prompt caching 官方指南：https://platform.openai.com/docs/guides/prompt-caching
3. Google — Gemini API Context caching：https://ai.google.dev/gemini-api/docs/caching
4. DeepSeek — 模型 & 价格（中文官方）：https://api-docs.deepseek.com/zh-cn/quick_start/pricing
5. DeepSeek — Your First API Call（Anthropic 兼容端点）：https://api-docs.deepseek.com/quick_start/pricing

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。