Principe
Lorsque vous envoyez une requête avec la mise en cache des prompts activée, le système vérifie si le préfixe du prompt a été mis en cache lors de requêtes récentes. Si tel est le cas, il utilise le cache, ce qui réduit le temps de traitement et les coûts ; sinon, il traite l’intégralité du prompt et met en cache le préfixe après le début de la réponse. C’est particulièrement utile dans les scénarios suivants :- Prompts contenant de nombreux exemples
- Contexte ou informations de fond étendus
- Tâches répétitives avec des instructions cohérentes
- Longues conversations multi-tours
Mécanisme principal
Les différents fournisseurs de modèles prennent en charge le cache de différentes manières :Mise en cache automatique
La mise en cache automatique ne nécessite aucune configuration supplémentaire ; le système identifie et met automatiquement en cache le contenu réutilisable, applicable à des modèles comme OpenAI, DeepSeek, etc.OpenAI
- Longueur minimale de prompt : 1024 tokens ; le cache est touché automatiquement lorsque le préfixe est identique mot pour mot
- Modèles antérieurs à GPT-5.6 : l’écriture en cache est sans facturation supplémentaire, la lecture en cache est facturée au tarif de lecture de cache du modèle concerné
- GPT-5.6 et suivants (formulation officielle “GPT-5.6 models and later model families”, actuellement gpt-5.6-sol / terra / luna) : écriture en cache facturée à 1,25x le prix d’entrée, lecture à 0,1x ; nouveaux paramètres
prompt_cache_keyet points de rupture de cache explicites - Usage, facturation et dépannage des hits : Mise en cache des prompts GPT
Gemini
- Implicit context caching is enabled by default, and caching is automatically effective without manual configuration.
- Caching is only effective when the content, model, and parameters are identical; any differences will be treated as a new request and will not hit the cache.
- The cache validity period is set by the developer, and it can also be left unset. If unspecified, it defaults to 1 hour. There are no minimum or maximum duration limits, and costs depend on the number of cached tokens and cache duration.
DeepSeek / Grok / Moonshot / Groq
- Cost: Writing to cache is free or at the same price, reading from cache is below the original price
Mise en cache explicite des modèles Claude
- Activation via
cache_control: champ à la racine du corps de requête pour un point de rupture automatique (qui avance avec la conversation), ou point de rupture au niveau des blocs de contenu pour un contrôle précis de la position du cache - Pris en charge par tous les modèles Claude actifs ; écriture en cache à 1,25x pour le palier 5 minutes, 2x pour le palier 1 heure, lecture à 0,1x, taux unifiés sur toute la gamme
- Applicable aux modèles Anthropic Claude
Claude définit un seuil minimum selon le modèle (512 / 1 024 / 2 048 / 4 096), qui n’est pas proportionnel au numéro de version : par exemple Opus 4.8 = 1 024, Opus 4.7 = 2 048, Opus 4.6 / Opus 4.5 et Haiku 4.5 = 4 096, Fable 5 = 512. Un préfixe inférieur au seuil n’est pas écrit dans le cache, même s’il est marqué avec
cache_control, et aucune erreur n’est renvoyée — dans ce cas, la réponse indique cache_creation_input_tokens et cache_read_input_tokens tous deux à 0. La répartition complète et le dépannage figurent sur Mise en cache des prompts Claude.OpenAI Compatible Interface
You can set caching breakpoints insystem, user (including images), and tools using the cache_control field. The following examples only show the key structure:
System Message Caching (default 5 minutes TTL):
cache_control at the top level of the tool object (at the same level as type and function):
Anthropic Compatible Interface
Caching Duration
- Default: 5 minutes
- Optional: 1 hour (“ttl”: “1h”)
For more information, please refer to: Claude Prompt Caching
Usage Recommendations
- Maintain Stable Prefixes
- Cache Large Texts
- RAG data
- Long texts
- CSV / JSON data
- Role settings
- Control TTL
- Short sessions → 5 minutes
- Long sessions → 1 hour (more cost-effective)
- Reduce Cache Writes