# 大模型上下文缓存经济学：别让你的Agent"烧钱"

> **核心警告**: 你习以为常的"编辑消息、修改历史、DIY上下文"操作，在LLM Agent中会让成本暴增7-50倍。本文帮你建立缓存意识，避免成本灾难。

---

## 🚨 如果你正在做这些事，请立即停止

```python
# ❌ 危险操作1: 每次都修改system prompt
system = f"Current step: {step}, files: {files}..."  # 成本爆炸!

# ❌ 危险操作2: 编辑历史消息
messages[2]["content"] = "updated content"  # 缓存全失效!

# ❌ 危险操作3: 删除旧消息（滑动窗口）
messages = messages[-10:]  # 每次都重新计算!

# ❌ 危险操作4: 用摘要替换历史
messages = [summary] + messages[15:]  # 前缀变了，缓存失效!

# ❌ 危险操作5: 在中间插入消息
messages.insert(5, new_message)  # 后面全部失效!
```

**这些操作在传统编程中很正常，但在LLM API中会让你的成本增加几十倍。**

---

## 1. 思维转变：上下文不是"可编辑的变量"，而是"只追加的日志"

### 1.1 传统编程思维 vs LLM Agent开发

**传统后端开发** (你习惯的方式):
```python
# 数据是可以随意修改的
user_state = {"step": 1, "data": []}
user_state["step"] = 2  # 修改状态
user_state["data"].append(new_item)  # 添加数据
del user_state["history"]  # 删除不需要的
```

**LLM Agent开发** (必须遵守的规则):
```python
# 上下文是"只追加日志"，一旦修改前缀 = 缓存全失效
messages = [system_msg]  # 永不改变
messages.append(user_msg)  # ✅ 只能追加
messages.append(assistant_msg)  # ✅ 只能追加
# messages[0] = xxx  # ❌ 修改前缀 = 成本爆炸
# messages = messages[-10:]  # ❌ 删除 = 成本爆炸
```

**关键认知**: LLM API的上下文有"前缀缓存"机制——前缀不变就能复用，前缀一变就要全部重算。

### 1.2 忽视缓存的真实代价

许多传统 AI 开发者在使用 **LangGraph、LangChain、AutoGen** 等框架开发 Agent 时，习惯性地采用传统软件开发思维：

- 编排和编辑上下文
- DIY 消息队列，插入、删除、修改历史消息
- 压缩或摘要替换长对话
- 在 system prompt 中注入动态状态
- 使用滑动窗口截断旧消息

**这些操作在传统软件中是正常的，但在大模型 API 中会导致缓存完全失效，成本和性能双重爆炸。**

### 1.2 成本差距有多大？

一个典型的 SWE (软件工程) Agent 任务可能消耗 **100K-1M tokens**。如果你的 Agent 每天处理 100 个任务，按 Claude Sonnet 4.5 的 $3/M 输入价格计算：

| 策略 | 每天成本 | 年成本 | 说明 |
|------|---------|--------|------|
| **破坏缓存** (每轮编辑上下文) | **$150** | **$54,750** | 每轮重新计算全部上下文 |
| **有缓存优化** (只追加) | **$26** | **$9,490** | 60% 缓存命中率 |
| **节省** | **$124/天** | **$45,260/年** | **83% 成本节省** |

对于一个中等规模的 Agent 应用，**理解缓存机制可以每年节省数万到数十万美元**。

### 1.3 自回归模型的本质特征

大语言模型是**自回归**的——生成每个新 token 都需要 attend 到之前所有 token。这意味着：

```
上下文长度: 50K tokens
生成 1 个 token: 需要对 50K tokens 做 attention
生成 100 个 token: 需要对 50K-50.1K tokens 做 attention，共 5,005,000 次 attention 操作
```

如果你**每次请求都修改上下文的前缀**：
- 之前缓存的 KV 向量全部失效
- 大模型提供商需要重新计算整个前缀
- 你需要为相同内容重复付费

如果你**只追加新内容**：
- 提供商复用已缓存的 KV 向量
- 只计算新增部分
- 缓存命中部分享受 **90% 折扣** (大部分提供商)

## 2. 自回归模型与 KV Cache 原理

### 2.1 为什么需要缓存？

大语言模型是**自回归**的：生成每个 token 都需要 attend 到之前所有 token。

```
输入: [A, B, C, D, E]
生成 F: Attention(F, [A,B,C,D,E])  → 计算 5 次 attention
生成 G: Attention(G, [A,B,C,D,E,F]) → 计算 6 次 attention
```

对于 200K 上下文窗口，每生成一个 token 都要与前面所有 token 做 attention 计算。**KV Cache** 通过缓存已计算的 Key-Value 向量来避免重复计算。

### 2.2 Prompt Cache 的工作原理

```
请求 1: [System, User1, Asst1, User2]
        ←────── 全部计算 ──────→
        (首次处理，写入缓存)

请求 2: [System, User1, Asst1, User2, Asst2, User3]
        ←────── 缓存命中 ──────→ ←─ 新计算 ─→
        (复用已缓存的 KV)        (仅计算新增部分)
```

**关键条件**: 缓存命中要求**前缀完全相同**，一个字符都不能变。

## 3. 常见的缓存破坏模式与反模式

### 3.1 LangGraph / LangChain 常见反模式

许多开发者在使用这些流行框架时，会不自觉地采用破坏缓存的模式：

#### 反模式 1: 状态注入到 System Prompt

```python
def build_system_prompt(state: dict) -> str:
    return f"""You are an assistant. Current state:
    - Step: {state['current_step']}
    - Progress: {state['progress']}%
    - Context: {state['context']}
    """

response = client.chat(
    system=build_system_prompt(state),  # 每次都不同!
    messages=messages
)
```

**问题**: 每轮 state 都变，system prompt 每次都不同，**缓存 100% 失效**。

**正确做法**：
```python
FIXED_SYSTEM_PROMPT = "You are an assistant."  # 固定不变

messages.append({
    "role": "user",
    "content": f"Current state: step={state['current_step']}, progress={state['progress']}%"
})

response = client.chat(
    system=FIXED_SYSTEM_PROMPT,  # 永远不变，缓存有效
    messages=messages  # 只追加
)
```

#### 反模式 2: 消息压缩与摘要替换

```python
def compress_messages(messages: list) -> list:
    if len(messages) > 20:
        old_messages = messages[:15]
        summary = summarize(old_messages)
        # 用摘要替换旧消息
        return [{"role": "system", "content": summary}] + messages[15:]
    return messages

messages = compress_messages(messages)  # 前缀变了，缓存失效!
```

**问题**: 替换操作改变了前缀，之前的所有缓存失效。

**成本影响** (50 轮对话，每轮 50K 上下文):
- 无压缩: 首次 $0.1875 (写入) + 后续 49 轮 × $0.015 = **$0.92**
- 压缩替换 (每 20 轮): 3 次重建缓存 × $0.1875 = **$0.56** (看似更便宜)
- **实际**: 压缩后丢失上下文，模型表现下降，需要更多轮次，**总成本反而更高**

**正确做法**: 使用子 Agent 隔离上下文，只返回摘要结果。

#### 反模式 3: 滑动窗口截断

```python
def sliding_window(messages: list, window_size: int = 10) -> list:
    if len(messages) > window_size:
        return messages[-window_size:]  # 只保留最近 10 条
    return messages
```

**问题**: 删除旧消息 = 改变前缀 = 缓存失效。

**成本对比** (Claude Sonnet 4.5，30 轮对话，每轮 3K 新增):

| 策略 | Token 计算 | 成本 |
|------|-----------|------|
| 只追加 | 首次 8K + 29 轮 × 3K (缓存) = 8K + 87K (缓存) | $0.030 + $0.026 = **$0.056** |
| 滑动窗口 (10 条) | 每轮重算 30K | 30 轮 × 30K × $3/M = **$2.70** |
| **成本差距** | | **48倍** |

#### 反模式 4: 消息编辑与插入

```python
def fix_message_format(messages: list) -> list:
    for msg in messages:
        if 'timestamp' in msg:
            del msg['timestamp']  # 修改了历史消息
        if msg['role'] == 'assistant' and 'tool_calls' in msg:
            msg['content'] = msg['content'].strip()  # 修改内容
    return messages
```

**问题**: 即使是微小的修改（删除字段、trim 空格），也会使缓存失效。

#### 反模式 5: LangGraph 状态管理不当

```python
from langgraph.graph import StateGraph

class AgentState(TypedDict):
    messages: list[BaseMessage]
    context: str
    step: int

def node_a(state: AgentState) -> AgentState:
    # 错误: 修改了 messages
    state["messages"][0].content += f"\n[Step {state['step']}]"
    return state

graph = StateGraph(AgentState)
graph.add_node("a", node_a)
```

**问题**: 在 LangGraph 节点中修改历史消息，会导致后续所有节点的缓存失效。

**正确做法**: 在 LangGraph 中，将状态信息作为**新消息追加**，而非修改现有消息。

### 3.2 缓存破坏模式总结

| 反模式 | 表现 | 缓存影响 | 成本倍数 |
|--------|------|----------|----------|
| 动态 System Prompt | 每轮注入状态 | 100% 失效 | **20-50x** |
| 消息压缩替换 | 用摘要替换历史 | 替换点后全失效 | **5-15x** |
| 滑动窗口 | 删除旧消息 | 100% 失效 | **30-50x** |
| 消息编辑 | 修改历史内容 | 修改点后全失效 | **10-30x** |
| 消息插入 | 在中间插入 | 插入点后全失效 | **10-30x** |
| 多 Agent 全连接 | 每个 Agent 看到所有消息 | 上下文膨胀 | **3-4x** (相对单Agent) |

### 3.3 为什么这些模式如此常见？

1. **传统编程习惯**: 在常规软件中，编辑、插入、删除是正常操作
2. **框架误导**: 一些 Agent 框架提供了"方便的"消息管理 API，但没有警告缓存影响
3. **缺乏可见性**: 大部分 API 不显示缓存命中率，开发者看不到成本差异
4. **示例代码**: 许多教程和示例代码为了"简洁"而忽略了缓存最佳实践

### 3.4 如何检测你是否在破坏缓存？

**Claude API 响应头**:
```json
{
  "usage": {
    "input_tokens": 50000,
    "cache_creation_input_tokens": 48000,  // 首次写入缓存
    "cache_read_input_tokens": 48000,      // 后续命中
    "output_tokens": 150
  }
}
```

**如果你看到**:
- `cache_read_input_tokens` 始终为 0 → 缓存从未命中
- `cache_creation_input_tokens` 每次都很大 → 你在破坏缓存

**OpenAI / Kimi K2 / GLM (自动缓存)**:
```json
{
  "usage": {
    "prompt_tokens": 50000,
    "prompt_tokens_details": {
      "cached_tokens": 48000  // 缓存命中的 token 数
    }
  }
}
```

**如果你看到**:
- `cached_tokens` 为 0 或很小 → 缓存未生效

## 4. 主流模型缓存策略详解

### 4.1 Claude (Anthropic)

| 特性 | 说明 |
|------|------|
| **是否自动缓存** | **否**，必须显式使用 `cache_control` 参数 |
| **最大断点数** | 每个请求最多 4 个 cache breakpoint |
| **TTL (生存时间)** | 默认 5 分钟，可选 1 小时 (价格更高) |
| **最小 token 要求** | Opus 4.5: 1,024 tokens; Sonnet 4.5: 1,024 tokens; Haiku 4.5: 4,096 tokens |
| **缓存层级** | tools → system → messages (修改任一层级会使后续层级缓存失效) |
| **Lookback 窗口** | 每个断点向前最多检查 20 个 blocks 寻找最长可命中前缀 |

**定价 (USD/M tokens)**:

| 模型 | 输入 | 缓存写入(5min) | 缓存写入(1hr) | 缓存读取 | 输出 |
|------|------|----------------|---------------|----------|------|
| Claude Sonnet 4.5 | $3.00 | $3.75 (1.25x) | $6.00 (2x) | $0.30 (0.1x) | $15.00 |
| Claude Opus 4.5 | $5.00 | $6.25 (1.25x) | $10.00 (2x) | $0.50 (0.1x) | $25.00 |
| Claude Haiku 4.5 | $1.00 | $1.25 (1.25x) | $2.00 (2x) | $0.10 (0.1x) | $5.00 |

**使用方法**:

```json
{
  "system": [
    {
      "type": "text",
      "text": "You are a coding assistant...",
      "cache_control": {"type": "ephemeral"}
    }
  ]
}
```

**关键洞察**:
- Claude 的缓存**不是自动的**。如果你不显式设置 `cache_control`，即使前缀完全相同也不会有缓存命中
- 每次缓存命中会**自动刷新 TTL**，且不额外收费
- 修改 system prompt 会使 system 和后续 messages 缓存失效，但 tools 缓存仍保留

### 4.2 Kimi K2 (Moonshot AI)

| 特性 | 说明 |
|------|------|
| **是否自动缓存** | **是**，系统自动检测重复前缀 (无需代码修改) |
| **上下文窗口** | 256K tokens (kimi-k2-0905 版本，2025年9月更新) |
| **TTL** | 自动缓存: 未公开; 显式缓存: 用户可设置 (支持刷新) |
| **型号** | `kimi-k2-0905` (Instruct 版本) |

**定价 (CNY/M tokens)**:

| 类型 | 价格 (CNY) | 价格 (USD 约) | 说明 |
|------|------------|---------------|------|
| 输入 (cache miss) | ¥4.20 | ~$0.60 | 标准输入价 |
| 输入 (cache hit) | ¥0.42 | ~$0.06 | **90% 折扣** |
| 输出 | ¥17.50 | ~$2.50 | - |

**特点**:
- Kimi K2 的自动缓存是**全自动**的，无需任何代码修改
- 系统自动检测相同前缀并复用缓存，缓存命中时享受 **90% 折扣**
- 官方称可降低长文本成本最高 90%，首 Token 延迟降低 83%

**显式缓存 API (Context Caching，公测中)**:
- 缓存创建费: ¥24/M tokens (~$3.30)
- 存储费用: ¥5/M tokens/分钟 (2024年8月降价50%后)
- 每次命中调用费: ¥0.02/次
- 初期仅限 Tier5 用户，后开放公测

### 4.3 GLM-4.7 (智谱 AI)

| 特性 | 说明 |
|------|------|
| **是否自动缓存** | **是**，自动前缀匹配 (需按 Context Caching 用法组织上下文) |
| **上下文窗口** | 200K tokens (支持最高 128K 输出) |
| **TTL** | 官方未公开，描述为"有合理的时间限制，过期后重新计算" |
| **发布日期** | 2025年12月22日 (开源) |

**定价 (USD/M tokens)**:

| 类型 | 价格 | 说明 |
|------|------|------|
| 输入 (新 token) | $0.60 | 标准输入价 |
| 输入 (缓存命中) | $0.11 | **82% 折扣** |
| 输出 | $2.20 | - |
| 缓存存储 | 免费 | **限时免费**，后续可能收费 |

**特点**:
- GLM-4.7 提供 **82% 的缓存折扣**，是国产模型中折扣力度较大的
- 响应中返回 `usage.prompt_tokens_details.cached_tokens` 用于追踪缓存命中
- 智谱同时提供开源版本，本地部署可避免按 token 计费
- 在编程评测中表现接近 Claude Sonnet 4.5 和 GPT-5.2

### 4.4 MiniMax M2.1

| 特性 | 说明 |
|------|------|
| **是否自动缓存** | **否**，需要使用 `cache_control` 参数 (与 Claude 类似) |
| **上下文窗口** | 200K+ tokens |
| **TTL** | 5 分钟 (命中时自动刷新，不额外收费) |
| **发布日期** | 2025年12月22日 (开源) |
| **缓存层级** | tools → system → messages |
| **最大断点数** | 4 个 `cache_control` |

**定价 (USD/M tokens)**:

| 类型 | 价格 | 说明 |
|------|------|------|
| 输入 | $0.30 | 标准输入价 |
| 缓存写入 | $0.375 | 1.25x 输入价 |
| 缓存读取 | $0.03 | **0.1x 输入价 (90% 折扣)** |
| 输出 | $1.20 | - |

**特点**:
- MiniMax M2.1 是目前**最便宜的高性能模型之一**
- 缓存读取仅 $0.03/M，是 Claude Sonnet 的 1/10
- 采用 MoE 架构 (230B 总参数，10B 激活)，专为代码和 Agent 场景优化
- 缓存机制与 Claude 高度相似 (cache_control, TTL, 层级)
- 提供 M2.1-lightning 高速版本，输出价 $2.4/M

### 4.5 GPT-5.2 (OpenAI)

| 特性 | 说明 |
|------|------|
| **是否自动缓存** | **是**，无需代码修改，自动针对重复前缀 |
| **上下文窗口** | 256K-400K tokens |
| **TTL** | 默认 5-10 分钟，部分模型支持扩展至 24 小时 |
| **最小 token 要求** | ≥1024 tokens 自动启用 |

**定价 (USD/M tokens)**:

| 类型 | 价格 | 说明 |
|------|------|------|
| 输入 | $1.75 | 标准输入价 |
| 缓存读取 | $0.175 | **0.1x 输入价 (90% 折扣)** |
| 输出 | $14.00 | - |

**特点**:
- OpenAI 的缓存是**全自动**的，无需任何参数配置
- 可选 `prompt_cache_key` 和 `prompt_cache_retention` 参数进行精细控制
- 官方称可降低输入成本最高 90%、延迟最高 80%

**注意**：GPT-4o 等 2024 年模型缓存折扣为 50%，GPT-5 系列为 90%

### 4.6 Gemini 3 (Google)

| 特性 | 说明 |
|------|------|
| **隐式缓存** | **是** (Gemini 2.5+ 默认启用)，自动检测重复前缀 |
| **显式缓存** | 需要创建 `CachedContent` 对象并引用 |
| **上下文窗口** | Flash: 1M tokens; Pro: 1M-2M tokens |
| **TTL** | 显式缓存默认 1 小时，可自定义 |
| **最小 token 要求** | Gemini 3 Pro: 4096; Gemini 2.5 Flash: 1024 |

**定价 (USD/M tokens)**:

| 模型 | 输入 | 缓存读取 | 输出 | 存储费 |
|------|------|----------|------|--------|
| Gemini 3 Flash | $0.50 | $0.05 (0.1x) | $3.00 | $1.00/M·hour |
| Gemini 3 Pro | $2.00 | $0.20 (0.1x) | $12.00 | $1.00/M·hour |

**特点**:
- 隐式缓存自动生效，但不保证每次都命中 (高并发时可能溢出)
- 显式缓存需要创建缓存对象，但可确保命中
- 显式缓存有**存储费**，按 token·小时计费
- 支持超长上下文 (1M-2M)，适合处理整本书或大型代码库

### 4.7 综合对比

| 模型 | 上下文 | 标准输入 | 缓存读取 | 缓存折扣 | 自动缓存 |
|------|--------|----------|----------|----------|----------|
| Claude Sonnet 4.5 | 200K | $3.00/M | $0.30/M | 90% | 否 (需 cache_control) |
| Claude Opus 4.5 | 200K | $5.00/M | $0.50/M | 90% | 否 |
| GPT-5.2 | 256K+ | $1.75/M | $0.175/M | 90% | **是** |
| Gemini 3 Flash | 1M | $0.50/M | $0.05/M | 90% | 是 (隐式) |
| Gemini 3 Pro | 1M+ | $2.00/M | $0.20/M | 90% | 是 (隐式) |
| Kimi K2 | 256K | ~$0.60/M | ~$0.06/M | 90% | **是** |
| GLM-4.7 | 200K | $0.60/M | $0.11/M | 82% | 是 |
| MiniMax M2.1 | 200K | $0.30/M | $0.03/M | 90% | 否 (需 cache_control) |

## 5. 详细成本计算：50 轮 SWE 任务实例

本节通过一个典型的软件工程 Agent 任务，逐轮计算 token 消耗和成本，展示缓存优化的真实影响。

### 5.1 任务场景设定

**任务**: 修复一个涉及多文件的 bug，需要读取代码、分析、修改、测试

**Agent 配置**:
- System prompt: 5,000 tokens
- 工具定义 (bash, read_file, write_file, grep, etc.): 3,000 tokens
- 基础上下文: 8,000 tokens

**每轮典型操作**:
- 用户指令: 200 tokens
- 模型推理 + 工具调用: 500 tokens
- 工具返回 (代码、测试结果等): 2,000 tokens (平均)
- 模型响应: 800 tokens

### 5.2 场景 A: 破坏缓存 (动态 System Prompt)

**错误做法**: 每轮将当前状态注入 system prompt

```python
def build_system_prompt(step: int, context: dict) -> str:
    return f"""You are a coding assistant.
Current step: {step}
Files modified: {context['files']}
Tests passed: {context['tests_passed']}
...(total 5,000 tokens)"""
```

**逐轮成本计算** (Claude Sonnet 4.5, $3/M 输入):

| 轮次 | 上下文累计 | System 变化 | 缓存状态 | 计算 tokens | 成本 |
|------|-----------|------------|---------|-------------|------|
| 1 | 8K + 3.5K = 11.5K | ✗ | 无缓存 | 11.5K | $0.0345 |
| 2 | 11.5K + 3.5K = 15K | ✗ | 完全失效 | 15K | $0.0450 |
| 3 | 15K + 3.5K = 18.5K | ✗ | 完全失效 | 18.5K | $0.0555 |
| ... | ... | ... | ... | ... | ... |
| 50 | 8K + 49×3.5K = 179.5K | ✗ | 完全失效 | 179.5K | $0.5385 |

**总成本 (50 轮)**:
```
Sum(8K + n×3.5K) for n=0 to 49
= 50×8K + 3.5K×(0+1+2+...+49)
= 400K + 3.5K × 1,225
= 400K + 4,287.5K
= 4,687.5K tokens × $3/M = $14.06
```

### 5.3 场景 B: 缓存优化 (固定 System Prompt)

**正确做法**: System prompt 固定，状态作为新消息追加

```python
FIXED_SYSTEM_PROMPT = "You are a coding assistant. (5,000 tokens)"

# 每轮追加状态信息
messages.append({
    "role": "user",
    "content": f"Status update: step={step}, files={files}..."
})
```

**使用 Claude cache_control**:

```python
system = [{
    "type": "text",
    "text": FIXED_SYSTEM_PROMPT,
    "cache_control": {"type": "ephemeral"}
}]
```

**逐轮成本计算**:

| 轮次 | 上下文累计 | 缓存写入 | 缓存读取 | 新增计算 | 成本 |
|------|-----------|---------|---------|---------|------|
| 1 | 11.5K | 8K @ $3.75/M | 0 | 3.5K @ $3/M | $0.030 + $0.0105 = $0.0405 |
| 2 | 15K | 0 | 11.5K @ $0.30/M | 3.5K @ $3/M | $0.00345 + $0.0105 = $0.01395 |
| 3 | 18.5K | 0 | 15K @ $0.30/M | 3.5K @ $0.30/M | $0.0045 + $0.0105 = $0.0150 |
| ... | ... | ... | ... | ... | ... |
| 50 | 179.5K | 0 | 176K @ $0.30/M | 3.5K @ $3/M | $0.0528 + $0.0105 = $0.0633 |

**总成本 (50 轮)**:
```
首轮: 8K×$3.75/M + 3.5K×$3/M = $0.030 + $0.0105 = $0.0405
后续 49 轮:
  - 缓存读取: (11.5K + 15K + ... + 176K) × $0.30/M
  - 新增计算: 49 × 3.5K × $3/M = 171.5K × $3/M = $0.5145

缓存读取累计:
  Sum(8K + n×3.5K) for n=1 to 49 = 4,287.5K × $0.30/M = $1.29

总计: $0.0405 + $1.29 + $0.5145 = $1.845
```

**节省**: ($14.06 - $1.845) / $14.06 = **86.9%**

### 5.4 场景 C: 使用国产模型 (Kimi K2 自动缓存)

**价格**: $0.60/M 输入 (标准)，$0.15/M 输入 (缓存命中)

**逐轮成本计算**:

| 轮次 | 上下文累计 | 缓存命中 | 新增计算 | 成本 |
|------|-----------|---------|---------|------|
| 1 | 11.5K | 0 | 11.5K @ $0.60/M | $0.0069 |
| 2 | 15K | 11.5K @ $0.15/M | 3.5K @ $0.60/M | $0.001725 + $0.0021 = $0.003825 |
| 3 | 18.5K | 15K @ $0.15/M | 3.5K @ $0.60/M | $0.00225 + $0.0021 = $0.00435 |
| ... | ... | ... | ... | ... |
| 50 | 179.5K | 176K @ $0.15/M | 3.5K @ $0.60/M | $0.0264 + $0.0021 = $0.0285 |

**总成本 (50 轮)**:
```
首轮: 11.5K × $0.60/M = $0.0069
后续 49 轮:
  - 缓存命中: 4,287.5K × $0.15/M = $0.643
  - 新增计算: 49 × 3.5K × $0.60/M = $0.1029

总计: $0.0069 + $0.643 + $0.1029 = $0.753
```

**相比 Claude 无缓存**: ($14.06 - $0.753) / $14.06 = **94.6% 节省**

### 5.5 场景 D: 滑动窗口反模式

**错误做法**: 保留最近 10 轮对话，删除旧的

**每轮都需要重新计算** (因为前缀一直在变):

| 轮次 | 上下文 | 计算 tokens | 成本 (Claude) |
|------|--------|-------------|---------------|
| 1-10 | 8K + n×3.5K | 逐渐增长 | 逐渐增长 |
| 11+ | 8K + 10×3.5K = 43K | **每轮 43K** | **每轮 $0.129** |

**总成本 (50 轮)**:
```
前 10 轮: Sum(8K + n×3.5K) for n=0 to 9 = 237.5K × $3/M = $0.7125
后 40 轮: 40 × 43K × $3/M = 5,160K × $3/M = $15.48

总计: $0.7125 + $15.48 = $16.19
```

**比缓存优化版贵**: $16.19 / $1.845 = **8.8 倍**

### 5.6 多模型对比总结

**50 轮 SWE 任务总成本对比**:

| 策略 | 模型 | 总成本 | 相对成本 | 节省 |
|------|------|--------|---------|------|
| **破坏缓存** | Claude Sonnet 4.5 | **$14.06** | 7.6x | 基准 |
| **滑动窗口** | Claude Sonnet 4.5 | **$16.19** | 8.8x | -15% (更贵!) |
| **缓存优化** | Claude Sonnet 4.5 | **$1.845** | 1.0x | **87%** |
| **缓存优化** | GPT-5.2 | **$1.08** | 0.59x | **92%** |
| **自动缓存** | Kimi K2 | **$0.753** | 0.41x | **95%** |
| **自动缓存** | GLM-4.7 | **$0.84** | 0.46x | **94%** |
| **自动缓存** | MiniMax M2.1 | **$0.38** | 0.21x | **97%** |

**关键洞察**:
1. 破坏缓存比优化版贵 **7-8 倍**
2. 滑动窗口不仅破坏缓存，还因为重复计算更贵
3. 国产模型的自动缓存 + 低价格组合极具竞争力
4. MiniMax M2.1 在这个场景下成本最低

## 6. Agent 编排策略与缓存影响

不同的 Agent 编排策略对缓存有着截然不同的影响。

### 6.1 编排模式对比

| 模式 | 描述 | 缓存友好度 | Token 消耗倍数 |
|------|------|-----------|---------------|
| **单 Agent 循环** | 一个 Agent 持续调用工具直到完成 | 好 | 1x (基准) |
| **多 Agent 顺序** | 多个 Agent 顺序执行，传递结果 | 中 | 4-6x |
| **多 Agent 协作** | 多个 Agent 相互对话协商 | 差 | **15x+** |
| **层级 Agent** | 父子层级结构，子 Agent 隔离上下文 | 好 | 2-4x |
| **Graph 编排** | DAG 节点式编排 (LangGraph) | 好* | 2-4x |
| **ReAct 循环** | Thought → Action → Observation 循环 | 差 | 高 (每轮累积) |

*需要正确配置节点级缓存

**研究数据支撑**:
- Anthropic 研究 (2025年6月): 多 Agent 系统相比简单聊天消耗约**15倍** tokens，性能提升90.2%
- arXiv 论文: 部分复杂任务在多 Agent 框架下消耗高达 **200 万 tokens**
- 学术研究表明，引入 Supervisor Agent 可减少约 30% 的无效 token 消耗

**重要**: 上述"15倍"是相对于简单聊天任务。多Agent相对单Agent的实际倍数约为**3-4倍**，而非更高的数值。选择多Agent架构需要权衡性能提升(90%+)与成本增加(3-4x)。

### 6.2 破坏缓存的操作

| 操作 | 影响 | 结果 |
|------|------|------|
| **编辑历史消息** | 改变前缀 | 缓存完全失效 |
| **在中间插入消息** | 后续前缀变化 | 插入点之后需重新计算 |
| **修改 system prompt** | 最前面变化 | **整个对话缓存失效** |
| **消息压缩/摘要替换** | 替换原始内容 | 前缀变化，缓存失效 |
| **滑动窗口截断** | 删除旧消息 | 前缀变化，缓存失效 |

### 6.3 缓存层级与失效传播

Claude 的缓存按以下顺序处理：

```
tools 变更
    ↓ (使下游全部失效)
system prompt 变更
    ↓ (使下游全部失效)
messages 内容变更
    ↓ (使该点之后失效)
tool_result (作为 user message)
    ✓ (保持缓存有效)
```

**关键洞察**: 将动态内容放在对话末尾（作为 tool_result 或新的 user message），而不是修改前面的内容。这是 Claude Code 和 Kode CLI 采用的策略。

### 6.4 多 Agent 的 Token 消耗问题

根据 Anthropic 2025年6月的研究:

| 指标 | 简单聊天 | 单 Agent | 多 Agent | 倍数关系 |
|------|---------|----------|----------|---------|
| 输入 tokens | 1x | 4x | 15x | 多Agent约为单Agent的**3.75x** |
| 性能提升 | 基准 | - | +90.2% | 相对单Agent |
| Token重要性 | - | - | - | Token使用量解释80%性能差异 |

**结论**:
- 多 Agent 系统相比简单聊天消耗约**15倍** tokens
- 多 Agent 相比单 Agent 约**3-4倍**消耗
- 性能提升90.2%，但成本显著增加
- 适合高价值任务，其收益能覆盖额外成本

**优化策略**:
- 使用**环形拓扑**或**层级结构**而非全连接，减少冗余传递
- 子 Agent 采用**隔离上下文**，只返回摘要结果给父 Agent
- 选择性共享而非广播所有消息
- 通过prompt caching复用重复的system prompt和工具定义

**数据来源**: [Anthropic: Multi-agent Research System (2025-06)](https://www.anthropic.com/engineering/multi-agent-research-system)

## 7. 典型任务的 Token 消耗

### 7.1 软件工程 (SWE) 任务

| 指标 | 范围 | 说明 |
|------|------|------|
| 单个 issue 总消耗 | 100K - 1M tokens | SWE-bench 限制 |
| 基础上下文 | ~20K tokens | 系统提示 + 工具定义 |
| 每轮交互增量 | 2K - 10K tokens | 取决于文件大小和工具输出 |
| 典型任务轮数 | 10 - 50 轮 | 复杂任务可能更多 |

**Claude Code 实际数据**:
- 平均每开发者每天: $6 (90% 用户低于 $12/天)
- Pro Plan 每 5 小时: ~44,000 tokens (10-40 次提示)
- 高级工具使用可减少 37% token 消耗

**SWE-bench 成本演变** (Claude Sonnet):
- 2024年8月 (无缓存): $5.29/任务
- 2024年9月 (有缓存): $0.91/任务
- **降幅: 83%**

### 7.2 浏览器自动化任务

| 指标 | 范围 | 说明 |
|------|------|------|
| 每次截图 | ~1,600 tokens | Claude Vision 最大图片 |
| 每个任务交互轮数 | 10 - 50 轮 | 每轮包含截图分析 |
| 单任务总消耗 | 765 - 3,225 tokens | 不含截图 |
| 完整任务 (含截图) | 20K - 100K tokens | 估算 |

**不同 Browser Agent 成本对比**:

| Agent | 成功率 | 平均 tokens/任务 | 成本/任务 |
|-------|--------|------------------|-----------|
| DroidRun | 43% | 3,225 | $0.075 |
| Mobile-Agent | 29% | 1,130 | $0.025 |
| AutoDroid | 14% | 765 | $0.017 |

**Vision Token 计算** (Claude):
```
tokens = (width × height) / 750
```
最大图片约 1,600 tokens，相当于 $4.80/千张图片 (Sonnet 4.5)。

### 7.3 工具调用开销

| 指标 | 值 | 说明 |
|------|-----|------|
| 每条消息开销 | 3-6 tokens | ChatML 格式 |
| 工具定义 | 100-500 tokens/工具 | 取决于 schema 复杂度 |
| 工具返回值 | 800-1,500 tokens/次 | 平均增量，长文档可达数万 |
| 单次工具调用增量 | 1K-5K tokens | 包含调用描述和返回结果 |

**Anthropic 工程案例**:
- DevOps 助理预载几十个工具定义后，基础上下文已达 **50K+ tokens**
- 未优化时，工具定义和结果在提示中堆积可达 **134K tokens**
- 一个 Slack 查询工具返回可能有几千 tokens，Jira 查询可达上万 tokens

**优化案例**: Red Sift 通过 LLM-aware API 设计减少了 **84% 的 token 消耗**，且无质量损失。

### 7.4 Token 消耗估算模板

**场景: 20 轮 SWE 任务**

```
基础上下文:
- System prompt: 5,000 tokens
- 工具定义: 3,000 tokens (6 个工具 × 500)
- 基础合计: 8,000 tokens

每轮增量 (平均):
- 用户指令: 200 tokens
- 工具调用: 500 tokens
- 工具返回: 2,000 tokens (代码文件等)
- 助手响应: 800 tokens
- 每轮合计: 3,500 tokens

20 轮总消耗:
- 理论最大: 8,000 + 20 × 3,500 = 78,000 tokens
- 有缓存时实际计算: 8,000 (首次) + 20 × 3,500 × 部分 ≈ 40,000 tokens 新计算
```

## 8. 成本计算实例

### 8.1 场景 A: 无缓存意识的 Agent

**假设**:
- 每轮修改 system prompt 注入状态
- 20 轮工具调用
- 基础上下文 50K tokens

**计算**:
```
每轮都需要重新处理 50K tokens
20 轮 × 50K × $3/M = $3.00 (仅 system prompt 部分)
加上每轮增量... 总成本显著
```

### 8.2 场景 B: 缓存优化的 Agent

**假设**:
- System prompt 固定不变
- 内容只追加，不修改
- 使用 Claude 的 cache_control

**计算**:
```
首轮: 50K tokens × $3.75/M (缓存写入) = $0.1875
后续 19 轮: 50K × $0.30/M × 19 = $0.285
总计: $0.4725

节省: ($3.00 - $0.4725) / $3.00 = 84%
```

### 8.3 场景 C: 使用国产模型

**使用 GLM-4.7, 相同任务**:
```
首轮: 50K × $0.60/M = $0.03
后续 19 轮 (缓存命中): 50K × $0.11/M × 19 = $0.1045
总计: $0.1345

相比 Claude 无缓存场景节省: 95.5%
相比 Claude 有缓存场景节省: 72%
```

### 8.4 多 Agent 场景成本

**假设**: 4 个 Agent 协作，全连接消息传递

```
单 Agent 基准: 100K tokens
多 Agent (77x 系数): 7.7M tokens

Claude Sonnet 4.5:
- 单 Agent: 100K × $3/M = $0.30
- 多 Agent: 7.7M × $3/M = $23.10

使用环形拓扑优化后:
- 预估减少 60-80%: ~$5-9
```

## 9. 最佳实践

### 9.1 缓存友好的 Agent 设计

```python
# 正确: 只追加，不修改
messages.append({"role": "user", "content": results})

# 错误: 编辑历史
messages[2]["content"] = "updated"  # 缓存失效!

# 错误: 修改 system prompt
system_prompt = f"Current state: {state}"  # 每次都变，缓存失效!

# 正确: 状态作为新消息追加
messages.append({"role": "user", "content": f"Current state: {state}"})
```

### 9.2 Claude 缓存配置

```python
response = client.messages.create(
    model="claude-sonnet-4-5-20250514",
    system=[
        {
            "type": "text",
            "text": "Your long system prompt here...",
            "cache_control": {"type": "ephemeral"}  # 关键!
        }
    ],
    messages=messages,
    tools=tools
)
```

### 9.3 上下文管理策略选择

| 场景 | 推荐策略 | 原因 |
|------|----------|------|
| 短对话 (<10 轮) | 只追加 | 简单，缓存友好 |
| 中等对话 (10-50 轮) | 只追加 + 子 Agent 隔离 | 保持主上下文干净 |
| 长对话 (>50 轮) | 分段 + 摘要 (接受缓存损失) | 避免超出上下文窗口 |
| 多 Agent | 环形拓扑 + 选择性共享 | 平衡性能和成本 |

### 9.4 模型选择建议

| 需求 | 推荐模型 | 原因 |
|------|----------|------|
| 最高质量 | Claude Opus 4.5 | 最强推理能力 |
| 性价比 (海外) | GPT-5.2 | 自动缓存，$1.75/M 输入 |
| 性价比 (国产) | GLM-4.7 / Kimi K2 | 自动缓存，~$0.60/M 输入 |
| 最低成本 | MiniMax M2.1 | $0.03/M 缓存读取 |
| 超长上下文 | Gemini 3 Pro (2M) | 最大上下文窗口 |
| 编程专精 | GLM-4.7 / MiniMax M2.1 | 开源可自部署 |

## 10. 总结

1. **缓存不是万能的，但值得理解**: 合理利用缓存可节省 50-90% 成本

2. **Claude 需要显式配置**: 使用 `cache_control` 参数，否则不会有缓存

3. **国产模型自动缓存**: Kimi K2 和 GLM-4.7 自动检测重复前缀，无需配置

4. **只追加是关键**: 把上下文当作只追加日志，不要编辑历史

5. **多 Agent 代价适中**: 相对单Agent约**3-4倍**token消耗，但性能提升90%+，适合高价值任务

6. **先让它工作，再优化**: 过早优化可能得不偿失

## 11. 数据来源与免责声明

**本文数据来源**:
1. **官方文档** (A级): Anthropic、OpenAI、Google官方定价和机制文档
2. **官方研究** (A级): Anthropic Engineering Blog的多Agent研究
3. **第三方报道** (B级): 国产模型价格和特性（已标注来源）
4. **实验估算** (C级): 50轮SWE任务等场景（已标注假设条件）

**重要提醒**:
- 所有价格和机制以**各家官方文档为准**，本文仅供参考
- 计算示例基于特定假设（如连续操作在TTL内、固定每轮增量等）
- 实际成本受任务复杂度、缓存命中率、模型选择等多因素影响
- 建议在实际应用中监控`usage`字段验证缓存效果

**数据更新日期**: 2025年12月28日

本文持续更新中，欢迎指正和补充。

---

## 参考资料

**官方文档**:
- [Claude Prompt Caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching)
- [Anthropic Pricing](https://www.anthropic.com/pricing)
- [OpenAI Prompt Caching](https://platform.openai.com/docs/guides/prompt-caching)
- [OpenAI Pricing](https://openai.com/api/pricing/)
- [Gemini Context Caching](https://ai.google.dev/gemini-api/docs/caching)
- [Gemini Pricing](https://ai.google.dev/gemini-api/docs/pricing)
- [Moonshot AI Pricing](https://platform.moonshot.ai/docs/pricing/chat)
- [Moonshot Context Caching](https://platform.moonshot.cn/blog/posts/context-caching)
- [智谱 AI 定价](https://open.bigmodel.cn/pricing)
- [Z.AI Context Caching](https://docs.z.ai/guides/capabilities/cache)
- [MiniMax Prompt Caching](https://platform.minimax.io/docs/api-reference/text-prompt-caching)

**研究论文**:
- [SWE-agent: Agent-Computer Interfaces (NeurIPS 2024)](https://proceedings.neurips.cc/paper_files/paper/2024/file/5a7c947568c1b1328ccc5230172e1e7c-Paper-Conference.pdf)
- [CodeAgents: Token-Efficient Framework](https://arxiv.org/html/2507.03254v1)
- [Rethinking Multi-Agent Through Small-World Networks](https://arxiv.org/html/2512.18094v1)
- [Stop Wasting Your Tokens: Towards Efficient Runtime Multi-Agent Systems](https://arxiv.org/html/2510.26585v1)

**工程实践**:
- [Anthropic: Effective Context Engineering for AI Agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
- [Anthropic: Advanced Tool Use](https://www.anthropic.com/engineering/advanced-tool-use)
- [Building Agents with Claude Agent SDK](https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk)
- [AWS: Claude Code + Bedrock Prompt Caching](https://aws.amazon.com/blogs/machine-learning/supercharge-your-development-with-claude-code-and-amazon-bedrock-prompt-caching/)
- [Microsoft Azure SRE Agent Context Engineering](https://techcommunity.microsoft.com/blog/appsonazureblog/context-engineering-lessons-from-building-azure-sre-agent/4481200/)
- [Google: Architecting Efficient Context-Aware Multi-Agent Framework](https://developers.googleblog.com/architecting-efficient-context-aware-multi-agent-framework-for-production/)

**数据来源说明**: 本文价格和机制数据来自多个 AI 的网络调研结果交叉验证，部分数据可能随时间变化，请以各家官方文档为准。