AI大模型对话（上下文）缓存能力
互联网应用中，为了提高数据获取的即时性，产生了各种分布式缓存组件，比如Redis、Memcached等等。
大模型时代，除非是免费模型，否则每次对话都会花费金钱来进行对话，对话是不是也可以参照缓存的做法来提高命中率，即时响应提高需求呢。
近日，月之暗面提出了上下文缓存的概念。
Context Caching （上下文缓存）是一种高效的数据管理技术，它允许系统预先存储那些可能会被频繁请求的大量数据或信息。这样，当您再次请求相同信息时，系统可以直接从缓存中快速提供，而无需重新计算或从原始数据源中检索，从而节省时间和资源。
不过定价还是比较贵的，按时长计算。特别是对于智能客户场景，用户提问的问题总归是趋于收敛的，所以可以节省不少资金花费。
同样，使用分布式缓存的做法，一样可以完成对话缓存，每次提问先经过模型比对，因为有语义理解能力，即便不是同一句话，但意思相同，一样可以认为是命中，命中后就可以直接从缓存中取出数据来响应用户。
Context Caching 特别适合于用频繁请求，重复引用大量初始上下文的情况，通过重用已缓存的内容，可以显著提高效率并降低费用。因为这个功能具有强烈的业务属性，我们下面简单列举一些合适的业务场景：
- 提供大量预设内容的 QA Bot，例如 Kimi API 小助手。
- 针对固定的文档集合的频繁查询，例如上市公司信息披露问答工具。
- 对静态代码库或知识库的周期性分析，例如各类 Copilot Agent。
- 瞬时流量巨大的爆款 AI 应用，例如哄哄模拟器，LLM Riddles。
- 交互规则复杂的 Agent 类应用，例如什么值得买 Kimi+ 等。