同样的缓存，三家三种玩法：DeepSeek、Qwen、豆包 Prompt 缓存机制横评

AI Agent 上下文缓存系列第三篇。逐家扒官方 API 文档：机制、代码、坑，以及大家最关心的——命中价格对比表。所有数字截至 2026-07-13，来源全部为官方文档，文末附链接。

系列前两篇讲的是"你这一侧"的功课：把 prompt 前缀做稳、让工具集只增不减。这一篇换到桌子对面——服务商那一侧的缓存规则到底长什么样。

规则值得逐家精读，因为三家的设计哲学完全不同：DeepSeek 走"全自动、不给你任何开关"，Qwen 走"隐式保底 + 显式精控双轨"，豆包走"缓存即资源、按小时收存储费"。同一套 Agent 代码换个供应商，缓存行为和账单结构都会变。

先给赶时间的人上结论：

下面逐家拆。

DeepSeek：全自动派，便宜到不像话

DeepSeek 的哲学最极端：上下文硬盘缓存对所有用户默认开启，没有开关、没有标记、不需要改一行代码。 官方文档里连"如何开启"这一节都不存在。

机制：缓存前缀单元

值得注意的是，DeepSeek 现在的命中规则不是朴素的"逐字节最长前缀匹配"。受 Sliding Window Attention 影响，每条缓存前缀是一个独立的完整单元，后续请求必须完整匹配某个缓存前缀单元才能命中。落盘时机有三个：

1. 请求结束位置落盘：每次请求的用户输入结束位置和模型输出结束位置，各产生一个缓存前缀单元；
2. 公共前缀检测落盘：系统发现多次请求存在公共前缀时，把公共前缀单独落盘成一个单元；
3. 固定 token 间隔落盘：长输入/长输出按固定 token 间隔切单元，避免超长前缀迟迟等不到"结束位置"而完全无法缓存。

这带来一个和直觉不同的行为：第一轮发 A+B、第二轮发 A+C，第二轮不命中（A+C 无法完整匹配单元 A+B）——但系统此时会检测到公共前缀 A 并落盘，第三轮发 A+D 就能命中 A 了。也就是说，"改了中段"的第一次请求是教学成本，同样的分叉点出现第二次才开始省钱。 对多分支 Agent（同一个长文档、不同任务分叉）这是个值得知道的细节。

代码：零配置，只需要读账单

from openai import OpenAI

client = OpenAI(api_key="sk-xxx", base_url="https://api.deepseek.com")

resp = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {"role": "system", "content": "你是一位资深财报分析师……"},
        {"role": "user", "content": f"{report_text}\
\
请总结这份财报的关键信息。"},
    ],
)

# DeepSeek 特有的两个 usage 字段
print(resp.usage.prompt_cache_hit_tokens)   # 命中缓存的输入 token
print(resp.usage.prompt_cache_miss_tokens)  # 未命中的输入 token

价格：命中价是全价的 1/50 甚至更低

官方在 2026 年 4 月把全系命中价降到了首发价的 1/10，才有了这个夸张的折扣率。在 DeepSeek 上，缓存命中的部分约等于免费——这也意味着前缀稳定性优化在 DeepSeek 上的杠杆是三家里最大的：命中与不命中之间差着 50 倍价差。

两个注意点：缓存是"尽力而为"，官方明确不保证 100% 命中；缓存寿命为几小时到几天，自动清理，无法手动管理。

Qwen（阿里云百炼）：双轨制，隐式保底、显式精控

Qwen 提供两种模式，单次请求二选一、互斥：

• 隐式缓存：自动开启不可关，前缀匹配，命中价 = 输入价 20%，最少 256 token（qwen3.7-max 系列约 1000）；
• 显式缓存：在 message content 上打 cache_control 标记，命中价 = 输入价 10%，但创建缓存按 125% 计费，最少 1024 token，TTL 5 分钟（每次命中重置）。

显式缓存是 Anthropic 风格的断点式设计，几条硬规则：

• 单次请求最多 4 个缓存标记，多打了只有最后 4 个生效；
• 命中采用"从标记位置向前回溯"的匹配，待匹配内容与标记之间间隔超过 20 个 content 块就无法命中——长对话里标记要跟着往后挪；
• 增量友好：已有 1200 token 缓存 A，新请求缓存 1500 token 的 AB，前 1200 按命中（10%）、只有新增 300 按创建（125%）计费。

代码：cache_control 标记

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)

def ask(question: str):
    return client.chat.completions.create(
        model="qwen3.7-max",
        messages=[
            {
                "role": "system",
                "content": [{
                    "type": "text",
                    "text": long_code_repo,  # 超过 1024 token 的稳定大块
                    # 从 messages 开头到此处的内容将创建为缓存块，TTL 5 分钟
                    "cache_control": {"type": "ephemeral"},
                }],
            },
            {"role": "user", "content": question},
        ],
    )

first = ask("这段代码的内容是什么")
print(first.usage.prompt_tokens_details.cache_creation_input_tokens)  # 创建：1605
print(first.usage.prompt_tokens_details.cached_tokens)                # 命中：0

second = ask("这段代码可以怎么优化")
print(second.usage.prompt_tokens_details.cache_creation_input_tokens)  # 创建：0
print(second.usage.prompt_tokens_details.cached_tokens)                # 命中：1605

Agent 开发者最该划线的一段

官方文档里藏着一条对 Agent 至关重要的说明：Function Calling 场景下，tools 参数会被序列化为 JSON 作为 system 消息的一部分参与缓存计算，且工具定义不支持独立打标记。官方给出的三条纪律——工具列表顺序一致、字段顺序一致、字段结构一致——和本系列第二篇"工具集只增不减 + 排序冻结"的结论完全同源。厂商文档亲自确认：tools 就是前缀，抖一下就整条失效。

价格（qwen3.7-max，2026-07 挂牌价 12 元/M 输入、36 元/M 输出，限时 5 折中）

显式比隐式便宜一半，代价是 125% 的创建溢价和 5 分钟 TTL。官方经济账很清楚：同一块前缀 5 分钟内复用 ≥2 次才回本，高频复用越多越赚；低频、间隔长的场景老实用隐式。

豆包（火山方舟）：缓存即资源，按小时收租

豆包的体系最复杂，也最"云厂商"：缓存不是计费折扣，而是一种你显式持有的资源——有 ID、有 TTL、有存储费。

三种缓存：

1. 隐式缓存：doubao-seed-2.0 及之后系列 + seed-code 支持，自动开启不可关，1024 token 起，命中按缓存价计费，存储不计费。官方特别提示：不保证命中，也不保证命中的是最长前缀（系统会权衡资源和收益选一段命中）。
2. 显式·前缀缓存：把静态内容（系统提示词、规则模板、超长文档）创建成一个缓存对象，拿到 ctx- 开头的 ID，后续请求引用 ID，这块内容根本不再随请求发送。支持并发，TTL 1 小时～7 天。
3. 显式·Session 缓存：会话级缓存，每轮对话自动把新内容更新进去——相当于平台替你托管了对话历史，每轮只发新消息。不支持对同一 Session 并发请求，有 last_history_tokens（滚动窗口，FIFO 淘汰旧消息）和 rolling_tokens（触顶删一段重算）两种截断策略。

如果你读过本系列第一篇会心一笑：豆包的前缀缓存就是"把稳定前缀搬出请求体"的平台级实现——我们在应用层手工做的事，它做成了 API。

代码：Context API 两步走

# 第 1 步：创建前缀缓存（mode 换成 "session" 即 Session 缓存）
curl https://ark.cn-beijing.volces.com/api/v3/context/create \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "<YOUR_ENDPOINT_ID>",
    "messages": [
      {"role": "system", "content": "<超长的系统提示词/规则模板/文档>"}
    ],
    "ttl": 3600,
    "mode": "common_prefix"
  }'
# 返回 {"id": "ctx-****", ...}  ← 缓存 ID

# 第 2 步：带 context_id 对话，缓存内容不再出现在请求里
curl https://ark.cn-beijing.volces.com/api/v3/context/chat/completions \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "context_id": "ctx-****",
    "model": "<YOUR_ENDPOINT_ID>",
    "messages": [{"role": "user", "content": "你好"}]
  }'
# usage.prompt_tokens_details.cached_tokens 即命中量

新一代的 Responses API 也支持同一套能力（"caching": {"type": "enabled"} + previous_response_id），且支持缓存多模态内容和工具调用信息，官方现在更推荐那条路。

价格：命中 20% + 存储费

有意思的细节：seed-1.8 的命中价在各输入长度分段里恒定 0.16 元/M，而输入价随分段涨到 1.2、2.4 元——长上下文档位里命中折扣实际达到 13%、6.7%，上下文越长，缓存越划算。

存储费怎么算：按每自然小时内缓存的最大 token 量 × 0.017 元/M 累加。挂一个 100K token 的前缀缓存，一天成本约 0.04 元——对高频复用微不足道，但低频场景下"挂着不用"的缓存是纯赔钱，TTL 要按业务节奏设。

算一笔账：同一个 Agent 负载，三家各花多少钱

设一个典型 Agent 请求：输入 50K token，其中 40K 是稳定前缀（system + 工具 + 文档）且命中缓存，10K 是新内容。各家旗舰对比（不计输出、不计创建/存储等一次性小头）：

两个观察：

① 折扣率的天花板差异巨大。 20% 命中价（Qwen 隐式/豆包）意味着理论极限省 80%；DeepSeek 的 1%-2% 命中价意味着理论极限省 98%——你在 prompt 工程上抠出的每一个百分点命中率，在 DeepSeek 上值 5 倍的钱。

② 基础单价和缓存机制要一起看。 豆包 2.1-pro 输入价是 qwen3.7-max 原价的一半，加上同样 20% 的命中系数，绝对成本占优；但 Qwen 显式缓存 10% 的命中价 + 增量创建计费，在"超长稳定前缀 + 高频复用"场景能反超。没有全场最优，只有匹配你负载形状的最优。

选型小抄

• 前缀高度稳定、复用频繁、预算敏感 → DeepSeek 全自动 + 命中价近乎免费，但没有显式控制，命中"尽力而为"，波动要靠监控兜底。
• 需要确定性命中、5 分钟内高频复用（客服、代码问答、批量评审） → Qwen 显式缓存，10% 命中价三家最低比例；记得管好 4 个标记的位置和 20 content 块的回溯窗口。
• 多轮对话极长、想把历史托管出去 → 豆包 Session 缓存独一份，每轮只发增量；前缀缓存 TTL 最长 7 天也是三家里最持久的显式缓存。
• 不管选哪家：把 cached_tokens（或 DeepSeek 的 prompt_cache_hit_tokens）接进监控。本系列第一篇说过：没有这个数字，一切缓存优化都是盲人摸象。

最后回到系列主线。三家的机制细节各不相同，但有一条铁律完全一致，三家官方文档甚至用了几乎相同的措辞："把重复内容放在提示词开头，把差异内容放在末尾。" 厂商的缓存规则决定了折扣的深度，而你的前缀稳定性决定了折扣的广度——前两篇的功课，在哪家都不白做。

AI Agent 上下文缓存系列： ① 缓存命中率只有一半？你的 Agent 可能正在为一个时间戳买单 ② 给 Agent"卸载"技能，是一次昂贵的洁癖 ③ 同样的缓存，三家三种玩法（本篇）

如果这篇对你有用，欢迎关注 / 在看，系列还会继续。

参考资料（价格截至 2026-07-13，以官方页面实时为准）

• DeepSeek 上下文硬盘缓存：https://api-docs.deepseek.com/zh-cn/guides/kv_cache
• DeepSeek 模型与价格：https://api-docs.deepseek.com/zh-cn/quick_start/pricing
• 阿里云百炼 上下文缓存（Context Cache）：https://help.aliyun.com/zh/model-studio/context-cache
• 阿里云百炼 模型价格：https://help.aliyun.com/zh/model-studio/model-pricing
• 火山方舟 上下文缓存·原理及选型：https://www.volcengine.com/docs/82379/1398933
• 火山方舟 上下文缓存（Context API）：https://www.volcengine.com/docs/82379/1396491
• 火山方舟 模型价格：https://www.volcengine.com/docs/82379/1544106