2026 年 9 月 · 8 分钟阅读
agent 成本的第一控制变量是上下文：缓存命中率比 token 单价更真实
关键定义
提示缓存（prompt caching） 供应商把已计算的 KV 张量按提示词前缀缓存，后续共享该前缀的请求按约 0.10× 输入价计费（最高约 90% 折扣），模型输出逐字节不变。它只影响输入侧 token，输出 token 从不打折。
缓存命中率（cache hit rate） 命中已缓存前缀的请求占全部请求的比例。Anthropic 5 分钟档在命中率约 30% 以下时，写溢价会让缓存反而更贵；稳定前缀负载命中率长期低于 60% 属于结构性问题。
Keepalive（保活心跳） 在工具执行或人工审批等暂停期间，按定时器重发提示词前缀以刷新缓存 TTL、防止缓存被逐出。实测显示在 Anthropic 5 分钟 TTL 下经济间隔约 4 分钟，而非 30 秒的惯例。
如果你的 agent 账单在涨，先别急着换模型。2026 年的两份实证指向同一个结论：agent 成本的第一控制变量不是 token 单价，而是上下文布局与缓存生命周期——同一个模型、同一套提示词，仅仅改变内容顺序，成本就能差一倍以上。定价表决定单价，上下文设计决定你付几个单位。
证据一：缓存是 agent 负载的救星，但只在命中率够高时成立
提示缓存的机制是前缀复用：供应商把已计算的 KV 张量缓存起来，后续共享同一前缀的请求按约 0.10× 输入价计费，Anthropic 与 OpenAI 较新模型最高约 90% 折扣，Google 隐式缓存约 75%，DeepSeek 自动缓存约 0.1× 读价且无存储费（厂商 2026 年公布定价）。因为模型不重算已见过的内容，输出逐字节不变——这是唯一「免费且无损」的降本手段。PwC 团队的实证研究《Don’t Break the Cache》（arXiv 2601.06007，2026-02）在 500 多个 agent 会话、约 1 万 token 系统提示下测得：API 成本降 41-80%，首 token 延迟改善 13-31%。但同一研究也给出反直觉的警告：朴素的全量上下文缓存，在某些配置下反而会抬高延迟——缓存不是开关，是设计。
分水岭是命中率。Anthropic 5 分钟档有 +25% 写溢价，盈亏平衡点约每写 1 次需 1.4 次读；命中率低于约 30% 时，写溢价会超过读的节省，缓存反而更贵。对稳定前缀负载，命中率长期低于 60% 基本可以断定是结构问题，而不是运气问题（数字口径见文末 Digital Applied 2026-06 指南）。
证据二：ProjectDiscovery 的 7% → 84%：把工作记忆移出系统提示词
最有说服力的案例来自 ProjectDiscovery：把动态工作记忆从系统提示词里搬出来、放到末尾的用户消息后，缓存命中率从 7% 提到 84%，整体 LLM 成本降 59%，9.8 亿 token 改由缓存供应。原理是前缀缓存以字面 token 序列为键：前缀里任何一个字符变化，都会使该块及之后的所有内容失效。所以提示词必须按稳定性排序——工具定义、系统提示、参考文档放在前面，对话历史、实时查询放在最后。
证据三：暂停是缓存的头号杀手，keepalive 是解药
agent 循环是「思考—行动—等待」：发送请求后跑一次构建、跑一轮测试、或等人工审批，动辄几分钟。等跟随请求发出时，前缀缓存往往已被逐出——Anthropic 默认 TTL 5 分钟、OpenAI 空闲 5-10 分钟清空——于是重新按全价 prefill。arXiv 2607.19214《Keeping the Cache Warm Pays》（2026-07）给出量化答案：30 秒心跳能在 600 秒空隙里保持 40/40 前缀缓存（无心跳基线 0/48），暂停后请求成本最高省 12.5×；且 keepalive 成本随间隔单调下降，最优解是 TTL 允许的最大间隔——Anthropic 5 分钟档约 4 分钟，比 30 秒惯例省 8 倍保活开销。
另一个反直觉结论来自同一研究的供应商对照：DeepSeek 重 prefill 太便宜、不值得为它保活，Google 缓存几乎从不逐出——keepalive 对这两家只买延迟、不省钱。逐出点实测：Anthropic 约 5 分钟、DeepSeek 约 10 分钟、OpenAI 约 30 分钟、Google 几乎不逐出。你的供应商决定了保活策略有没有意义。
我们的判断：缓存命中率才是 agent 成本 KPI
行业讨论 agent 成本时，90% 的注意力花在「选哪个模型」「砍多少单价」上，这是上一轮 token 价格战的遗产。但 2026 年的账单结构已经变了：输入 token 常常远多于输出，而输入里的大部分是反复重发的同一段上下文。于是真正决定账单的三个变量是——前缀里有多少静态内容、动态内容放在哪、暂停期间缓存是否还活着。三个变量都不是模型属性，是上下文设计。
我们用自己的架构验证这套逻辑。OOMeta 的 agent 跑在 deepseek-v4-flash（自动前缀缓存、无存储费）与 gemini-3.5-flash 上，长会话叠加技能文件（SKILL.md）按需加载，构成天然稳定的可缓存前缀；「LLM 提议、脚本持久化」的原则让状态落在磁盘而不是上下文里，从源头控制前缀膨胀。日更 cron 队列的系统提示几乎不变，重复执行率极高——这是缓存友好负载，命中率就是我们最该盯的成本指标。另一面，凡是需要人工审批的高价值流程，暂停分钟级，keepalive 直接决定那一段是 0.1× 还是全价。
落地清单：今天就能做的四个动作
① 先看缓存命中率，再谈换模型
从供应商 dashboard 或 gateway 日志取命中率。稳定前缀负载低于 60% = 结构问题，先修结构；命中率过 80% 再考虑模型选型。
② 把动态内容移到提示词末尾
工作记忆、实时状态、临时指令全部放进最后的用户消息。前缀按稳定性排序：工具定义→系统提示→参考文档→对话历史→实时查询。
③ 给「等工具、等审批」的流程加 keepalive
间隔取 TTL 的 80% 左右：Anthropic 5 分钟档用约 4 分钟，OpenAI 用约 4 分钟。暂停超过逐出点的流程才值得保活；纯批处理无暂停的不用。
④ 选供应商时把缓存折扣和写溢价一起算
DeepSeek、OpenAI 无写溢价，适合间歇负载；Anthropic 1 小时档写溢价高，适合低频长会话；Google 显式缓存有存储费，读量大才划算。
行动建议：先回答一个问题，再动手
给 AI App lead 的决策问题：你的缓存命中率是多少？如果答案是「没看过」，那 41-80% 的成本空间大概率正躺在那里。把命中率接进成本 dashboard，做上面四件事，两周后对比账单——我们赌你会得出和我们一样的结论：agent 成本的第一控制变量不是模型，是上下文。
OOMeta AI
OOMeta 是 AI 原生的咨询与产品公司：一个人类、一群数字员工、一套运营智能。我们自己的 agent 每天跑在 deepseek-v4-flash 与 gemini-3.5-flash 上，用「LLM 提议、脚本持久化」控制上下文膨胀，用按需加载的技能文件维持可缓存前缀。上下文工程不是论文里的概念，是我们控制自身成本的方式，也是我们为客户设计 agent 系统时的默认杠杆。
预约诊断会参考来源：arXiv 2601.06007《Don’t Break the Cache: An Evaluation of Prompt Caching for Long-Horizon Agentic Tasks》（PwC 团队，2026-02-03，独立研究）arxiv.org/abs/2601.06007 · arXiv 2607.19214《Keeping the Cache Warm Pays: Keepalive Economics for Agentic Workloads》（2026-07-24，独立研究）arxiv.org/abs/2607.19214 · Digital Applied《Prompt Caching in 2026: Cut LLM Costs, Keep Quality》（2026-06-16，含 ProjectDiscovery 案例与各家定价表）www.digitalapplied.com/blog/prompt-caching-2026-cut-llm-costs-engineering-guide · Anthropic Prompt Caching 文档（写溢价/TTL 档位，厂商口径）platform.claude.com/docs/en/build-with-claude/prompt-caching · OpenAI Prompt Caching 文档（厂商口径）platform.openai.com/docs/guides/prompt-caching
常见问题
为什么 agent 负载是缓存的最差用户？+
agent 的循环是「思考—行动—等待」：发送请求后跑工具或等审批几分钟，跟随请求到来时前缀缓存往往已被逐出——Anthropic 默认 TTL 5 分钟、OpenAI 空闲 5-10 分钟清空——于是重新按全价做 prefill。暂停越久，缓存越容易被浪费。
缓存真能省钱吗，数字是多少？+
arXiv 2601.06007（2026-02，PwC 团队）：在 500 多个 agent 会话、约 1 万 token 系统提示下，提示缓存把 API 成本降低 41-80%、首 token 延迟改善 13-31%。但省不省取决于命中率——命中率过低时写溢价反而让缓存更贵。
命中率多低会亏钱？+
Anthropic 5 分钟档写溢价 +25%，盈亏平衡点约每写 1 次需 1.4 次读；命中率低于约 30% 时读的节省覆盖不了写溢价。稳定前缀负载命中率低于 60% 通常意味着前缀里有动态内容泄漏（Digital Applied 2026-06 口径）。
如何把命中率从个位数提到 80% 以上？+
按稳定性排序提示词内容：工具定义→系统提示→参考文档→对话历史→实时查询，动态工作记忆移到末尾的用户消息里。ProjectDiscovery 把工作记忆移出系统提示词后，命中率从 7% 提到 84%，LLM 总成本降 59%，9.8B token 来自缓存。
工具执行或人工审批暂停时怎么办？+
用 keepalive：暂停期间定时重发前缀刷新缓存。arXiv 2607.19214（2026-07）实测 30 秒心跳能在 600 秒空隙保持 40/40 前缀缓存（基线 0/48），暂停后请求成本最高省 12.5×；Anthropic 5 分钟 TTL 下最优间隔约 4 分钟，比 30 秒惯例省 8 倍保活开销。
各家供应商的缓存策略有什么不同？+
Anthropic 显式断点 + 写溢价（5 分钟档 +25%、1 小时档 +100%）；OpenAI 自动缓存无写溢价、较新模型可 24 小时扩展；Google 隐式缓存约 75% 折扣、显式缓存另收存储费；DeepSeek 自动缓存约 0.1× 读价、无存储费（以上为 2026 年厂商公布定价）。DeepSeek 重 prefill 太便宜、Google 几乎不逐出，keepalive 对这两家只买延迟。
相关文章
token 价格战：单价不再是成本决策的第一变量
OpenAI 07-30 把 Luna 砍价 80% 至 $0.20/M 输入，Anthropic 08-11 把 Sonnet 5 的 $2/$10 定为永久价。我们的判断：价格战让「选哪个模型」失去意义，账单改由 token 卫生决定——缓存命中率、批量占比、重试与上下文膨胀。
LLM 模型路由：推理成本降 40-80% 的真实条件
把每条请求路由到最便宜的可用模型，是 2026 年最大的成本杠杆：RouteNLP 试点降 58%、RouteLLM 基准降 85% 的背后，藏着三个条件——便宜模型占比过 50% 才复利、路由必须配评估闸门、闭环蒸馏比静态规则强一倍。
模型路由不是配置：闭环才是省钱的另一半
RouteNLP 生产试点（ACL 2026 Industry Track）：8 周、约 5000 查询/天，推理成本降 58%、p99 从 1847ms 到 387ms。我们的判断：静态路由只拿到一半省钱——把失败聚类→定向蒸馏→重训路由的闭环跑起来，收益才翻倍。
Agent 成本治理进入执行层：Sapiom 3500 万美元的架构选择
Sapiom 融资 $35M（09-08，Dragonfly 领投，累计 $50M）：把 agent 成本治理做成执行层基础设施——预算权限先于执行、调用实时选路、全量 metering（厂商口径）。我们的判断：agent 财务治理必须发生在执行点，不是另一块仪表盘。