Токен из кеша дешевле обычного в разы. Цены на 27 августа 2026:

У DeepSeek и OpenAI кеш работает автоматически. У Anthropic его надо явно попросить:

client.messages.create(
    model="claude-sonnet-5",
    cache_control={"type": "ephemeral"},   # без этого кеша нет вовсе
    system=POLICY,
    messages=messages,
)

Но там, где кеш включён, ломается он одинаково. Одной строкой.

Механизм

Кеш — префиксное дерево по токенам. Совпали первые N токенов с предыдущим запросом — эти N пришли из кеша. На первом расхождении кеш кончается, и весь остаток промпта идёт по полной цене.

system = f"Current time: {datetime.now()}.\n{POLICY}\n{KNOWLEDGE_BASE}"

Время меняется на каждом вызове → префикс расходится на четвёртом слове → весь промпт, все две тысячи токенов политик и базы знаний, каждый раз идёт по полной цене. Хотя не менялся ни разу.

Этот баг видно глазами, и чинится он без всяких инструментов: убрать динамику из начала. Дальше — про те, которые глазами не видно.

Замер

Support-агент, системный блок ~1200 токенов (важно: DeepSeek включает кеш примерно от 1024), четыре вопроса подряд. Две сессии с одинаковым содержимым и разной сборкой:

• live-broken — время перед статикой

• live-fixed — время после статики

Живой DeepSeek, восемь вызовов, сырой вывод:

live-broken    prompt= 1177 cache_hit=    0
live-broken    prompt= 1180 cache_hit=    0
live-broken    prompt= 1179 cache_hit=    0
live-broken    prompt= 1178 cache_hit=    0
live-fixed     prompt= 1180 cache_hit=    0
live-fixed     prompt= 1183 cache_hit= 1152
live-fixed     prompt= 1182 cache_hit= 1152
live-fixed     prompt= 1181 cache_hit= 1152

Ноль попаданий против 1152 из ~1180. Это намеренно худший случай: время первой строкой, кеш не включается вообще. На реальных промптах динамика сидит глубже — в бенчмарке ниже бейзлайн 49–66%, а не 0%.

Агент с промптом 1200 токенов и 10 000 вызовов в день:

Баги, которые не видно глазами

Если у вас datetime.now() в первой строке — вы уже всё поняли и инструмент вам не нужен. Он нужен для остального. Все четыре случая ниже — общий паттерн для любого провайдера с префиксным кешем, пример с Anthropic просто самый наглядный:

Схемы инструментов. У Anthropic кеш покрывает tools, system, messages именно в этом порядке — схемы лежат в самом начале префикса, до системного промпта. Собираете их из словаря с плавающим порядком ключей — ломаете кеш в первой позиции, и в коде промпта этого не видно вообще.

База знаний из set(). Содержимое то же, порядок между процессами другой.

Префикс совпал, а кеша нет. Отдельный класс: сборка правильная, cache_read_tokens == 0. Значит TTL истёк или upstream не кеширует — чинится маршрутизацией, а не промптом.

Шаблон, который рендерится по-разному под нагрузкой. Условный блок, попадающий в промпт раз в сто вызовов.

Общее у всех четырёх: промпт большой, изменение маленькое, глазами не найти.

Инструмент

prefixcash читает поля usage, которые провайдер и так возвращает. Никаких запросов к моделям, ничего не уходит с машины.

Формат входа — JSONL, по строке на вызов. Нужны usage (как отдал провайдер) и messages:

resp = client.chat.completions.create(model=MODEL, messages=messages)

log.write(json.dumps({
    "model": resp.model,
    "session_id": session_id,
    "usage": resp.usage.model_dump(),   # сырой usage, парсится как есть
    "messages": messages,
}) + "\n")

Пять строк поверх любого OpenAI-совместимого SDK. С LiteLLM — три: litellm.callbacks = [PrefixCashCallback(file="metrics.jsonl")].

prefixcash diagnose --file calls.jsonl --session live-broken

cacheable prefix 1%, общий префикс — 8 слов, виновник — dynamic_time.

Зелёное на карте приходит из кеша. Красное 09:00:11 рвёт префикс. Оранжевое — всё, что после разрыва. Текст там совпадает дословно между вызовами, но кеш его не отдаст: он смотрит на префикс, а префикс сломан восемью словами раньше. Цена ошибки — не одно слово, а весь хвост за ним.

Что он умеет распознавать: iso_datetime, datetime, date, time, uuid, hex_token, number, email, url_query, placeholder ({var}). Плюс два, которые ловят то, чего в списке нет: high_entropy — сгенерированные строки по энтропии Шеннона, и content_change — любое расхождение, не подошедшее ни под один шаблон. То есть виновник будет назван и позиция показана, даже если ваш случай никто не предусматривал.

Переносим время в хвост, больше ничего не трогаем:

cacheable prefix 98%, общий префикс — 730 слов вместо восьми.

Проверьте на своих данных

Если вы пользуетесь Claude Code — лог уже на диске, интеграция не нужна, это буквально две минуты:

pip install prefixcash
python -m examples.import_claude_code --out cc.jsonl
prefixcash report --file cc.jsonl

Адаптер переносит только поля usage, тексты промптов не читаются — это видно в examples/import_claude_code.py, там 70 строк.

Если нет — честно, это не две минуты: пять строк логирования выше, потом дождаться трафика. Сколько ждать: diagnose сравнивает соседние вызовы, поэтому минимум два вызова в одной сессии — уже будет вердикт. Не нужны ни тысячи вызовов, ни день накопления; хватит одного живого диалога из двух реплик.

Сетевых запросов инструмент не делает вообще: считает по полям usage, которые уже лежат в вашем логе. Если ставите на боевые данные — смотреть надо src/prefixcash/integrations/importers.py, это единственное место, где читается ваш файл.

Вот что получилось у меня:

97 877 вызовов, 32,5 млрд токенов, 98% из кеша. Claude Code собран правильно: статический префикс не двигается, диалог дописывается в хвост.

Две оговорки. base $ — контрфактика по прайсу pay-as-you-go, а я на подписке: это цена механизма, а не возврат на карту. И запись в кеш у Anthropic стоит дороже обычного токена (1.25x для 5-минутного TTL, 2x для часового), prefixcash этого пока не моделирует и завышает экономию примерно на 2%.

Бенчмарк

Пять сценариев, живые вызовы к DeepSeek, две сборки на каждый:

Четвёртая строка — отрицательный контроль. На коротком промпте кеш не включается, никакой фикс не даёт ничего, инструмент пишет NO GAIN. Если бы там стояло красивое число — не верьте остальным четырём.

MIT, Python 3.11+, 42 теста, CI на каждый push — github.com/Isk4R1oT/prefixcash

Проверьте одну вещь, это десять секунд: что стоит первой строкой вашего системного промпта. Если оно меняется от вызова к вызову — вы платите за весь промпт полную цену, каждый раз.