语义缓存：让AI响应快10倍，省一半API费

用户问的问题80%是重复的——「你们的退换货政策是什么」「你们支持哪些支付方式」。每次都要调LLM，又慢又贵。语义缓存能解决这个问题。

💡 你将学到

用户问的问题80%是重复的——「你们的退换货政策是什么」「你们支持哪些支付方式」。每次都要调LLM，又慢又贵。语义缓存能解决这个问题。

📜 目录

• 语义缓存是什么
• 怎么实现
• 相关文章

语义缓存是什么

普通缓存：完全相同的文字才能命中缓存。 语义缓存：意思相近的问题也能命中。

用户1问：「怎么退货？」 用户2问：「退换货流程是什么？」 用户3问：「我想退款，怎么办？」

语义缓存把这三个视为同一个问题，直接从缓存返回答案，不用调LLM。

怎么实现

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("all-MiniLM-L6-v2")
cache = {}  # 向量→缓存的映射

def semantic_cache(question, threshold=0.85):
    # 向量化当前问题
    q_vec = model.encode(question, normalize_embeddings=True)

    # 找最相似的缓存
    for cached_q, cached_vec in cache.items():
        similarity = np.dot(q_vec, cached_vec)
        if similarity > threshold:
            return cache[cached_q]["answer"]

    # 没命中，调LLM
    answer = call_llm(question)

    # 存缓存
    cache[question] = {"vector": q_vec, "answer": answer}
    return answer

命中率通常在60-80%。也就是说，10次请求里有6-8次不用调LLM。

推荐使用Redis+向量搜索插件的方案做生产级语义缓存。

相关文章

• 统一 LLM API 网关 2026：LiteLLM、one-api、new-api 对比
• Pydantic for LLM 2026：让任何模型输出可靠的结构化JSON
• OpenRouter教程：一个API Key用所有LLM