Keširanje promptova

Kako to radi

• Prefiks, po redu — Prompt se čita po redu: sistemski prompt, definicije alata, zatim poruke. Cache se podudara od početka te sekvence do prvog tokena koji se razlikuje.
• Što se smatra pogodkom (hit) — Zahtjev čiji prompt počinje istim sadržajem kao nedavni zahtjev — obično prethodni okret istog razgovora s dodanim novim porukama. Podudarajući se prefiks je cacheirani ulaz; sve nakon toga je običan ulaz.
• Granularnost — Cache drži prompt u blokovima od 1,568 tokena, pa se prompt kraći od otprilike 1,500 tokena ne cacheira. Broj cacheiranih tokena u odgovoru je vaš broj ulaznih tokena pomnožen cacheiranim udjelom prompta, zaokružen prema dolje. Nije nužno višekratnik veličine bloka.
• Bez pogotka — Zahtjev čiji početak nije u cacheu naplaćuje se po redovnoj cijeni ulaza. Za cacheirane promptove ne objavljuje se vijek trajanja i pogodak nije zajamčen: pročitajte usage da vidite što je zahtjev preuzeo iz cachea.
• Bez prekidača — Zahtjev se ne uključuje izričito i nijedno polje ne isključuje keširanje.
• Koji modeli — Svaki hostirani open-weight ID. GET /v1/models izvještava capabilities.prompt_caching: true i pricing.cached_input_per_million_usd za njih. Shannon modeli naplaćuju jednu fiksnu stopu.

Pogledajte cache pogodak u odgovoru

Pošaljite dva zahtjeva koji počinju istim dugim system promptom i ispišite upotrebu svakog. Prvi broj je ulaz zahtjeva, drugi je dio ulaza pročitan iz cachea.

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.shannon-ai.com/v1")

handbook = open("handbook.txt").read()  # a long text that stays the same


def ask(question):
    response = client.chat.completions.create(
        model="Kimi-K3-3BIT-REAP",
        messages=[
            {"role": "system", "content": handbook},
            {"role": "user", "content": question},
        ],
    )
    usage = response.usage
    print(usage.prompt_tokens, usage.prompt_tokens_details.cached_tokens)


ask("What is the refund policy?")
ask("Who approves travel?")  # same start: read the second number

import { readFileSync } from "node:fs";
import OpenAI from "openai";

const client = new OpenAI({ apiKey: "YOUR_API_KEY", baseURL: "https://api.shannon-ai.com/v1" });

const handbook = readFileSync("handbook.txt", "utf8"); // a long text that stays the same

async function ask(question) {
  const response = await client.chat.completions.create({
    model: "Kimi-K3-3BIT-REAP",
    messages: [
      { role: "system", content: handbook },
      { role: "user", content: question },
    ],
  });
  const usage = response.usage;
  console.log(usage.prompt_tokens, usage.prompt_tokens_details.cached_tokens);
}

await ask("What is the refund policy?");
await ask("Who approves travel?"); // same start: read the second number

# handbook.txt is a long text that stays the same. jq builds the JSON body from it
# and prints the usage object of the reply. Run it twice with different questions.
jq -Rs '{
    model: "Kimi-K3-3BIT-REAP",
    messages: [
      {role: "system", content: .},
      {role: "user", content: "What is the refund policy?"}
    ]
  }' handbook.txt \
  | curl -s https://api.shannon-ai.com/v1/chat/completions \
      -H "Authorization: Bearer YOUR_API_KEY" \
      -H "Content-Type: application/json" \
      -d @- \
  | jq .usage

Cjenovnik

Cacheirani ulazni tokeni naplaćuju se po 25% tarife ulaza modela, zaokruženo na $0.001 per 1M. Pisanje u cache ne košta ništa dodatno, a izlaz se naplaćuje uobičajeno. Cache tarifa za svaki ID nalazi se u tablici Models & pricing. Modeli i cijene

Ulaz poziva naplaćuje se kao (ulaz − cacheirano) × cijena ulaza + cacheirano × cijena cacheiranog. Broj cacheiranih tokena nikad nije veći od broja ulaznih.

Zapisnik upotrebe navodi cacheirani ulaz svakog poziva. Njegovi naplaćeni tokeni i trošak već uključuju cijenu cacheiranog. Ključevi i upotreba

Polja upotrebe

{
  "usage": {
    "prompt_tokens": 20000,
    "completion_tokens": 812,
    "total_tokens": 20812,
    "prompt_tokens_details": {
      "cached_tokens": 18000
    },
    "completion_tokens_details": {
      "reasoning_tokens": 604
    }
  }
}

{
  "usage": {
    "input_tokens": 20000,
    "input_tokens_details": {
      "cached_tokens": 18000
    },
    "output_tokens": 812,
    "output_tokens_details": {
      "reasoning_tokens": 604
    },
    "total_tokens": 20812
  }
}

{
  "usage": {
    "input_tokens": 2000,
    "cache_read_input_tokens": 18000,
    "cache_creation_input_tokens": 0,
    "output_tokens": 812
  }
}

Streamani odgovor nosi ista polja u svojoj završnoj upotrebi. Ne morate je tražiti:

Kako postići više cache pogodaka

• Održavajte sistemski prompt i definicije alata bajt-po-bajt stabilnima između poziva. Vrijednosti specifične za poziv, kao što su vremenski oznake ili ID-ovi zahtjeva, stavite na kraj posljednje poruke, a ne u sistemski prompt.
• Samo dodajte na povijest. Uređivanje, skraćivanje ili sažimanje ranijih okreta mijenja prefiks, te se sve nakon prve promjene naplaćuje kao običan ulaz.
• Nemojte mijenjati redoslijed alata, poruka ili blokova sadržaja između poziva, te svaki put na isti način serijalizirajte JSON (sheme alata, argumenti alata i rezultati).
• U razgovoru ostanite na jednom id-u modela i pošaljite sljedeći poziv ubrzo nakon prethodnog.

API drži početak razgovora stabilnim u ovim slučajevima:

• Poruka system ili developer poslana kasnije u razgovoru ostaje na svom mjestu. Ne mijenja početak prompta, pa okreti prije nje ostaju cacheirani.
• Argumenti poziva alata u ranijim okretima asistenta uspoređuju se po vrijednosti. Redoslijed ključeva i razmaci tog JSON-a nisu važni.
• Tri endpointa čitaju razgovor na isti način. Razgovor nastavljen na drugom endpointu zadržava zajednički prefiks kada je sadržaj isti.

Polja zahtjeva

Prihvaćeni su prompt_cache_key (Chat Completions i Responses) i cache_control na blokovima sadržaja Messages, tako da postojeći klijentski kod radi nepromijenjeno. Nijedan nije obavezan: keširanje je automatsko i radi isto i bez njih.

Brojanje tokena

Dva besplatna endpointa, POST /v1/tokenize i POST /v1/messages/count_tokens, broje tokene teksta ili cijelog zahtjeva za hostirane open-weight modele prije nego ga pošaljete. Imaju vlastitu stranicu: Brojanje tokena