90 lines
4.2 KiB
Markdown
90 lines
4.2 KiB
Markdown
|
---
|
|||
|
|
created: 2026-07-07
|
|||
|
|
updated: 2026-07-07
|
|||
|
|
sources:
|
|||
|
|
- blog/2026-07-07_heise-prompt-caching.md
|
|||
|
|
tags: [concept, prompt-caching, kv-cache, transformer-architecture, token-optimization, cost-reduction, llm-inference, prompt-engineering, cache]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# Prompt-Caching — KV-Cache-Wiederverwendung zur Token- und Kostenreduktion
|
|||
|
|
|
|||
|
|
> **Stand:** 2026-07-07. Quelle: heise+ Ratgeber-Artikel. Siehe raw: `[[../../raw/blog/2026-07-07_heise-prompt-caching.md]]`
|
|||
|
|
|
|||
|
|
## Grundprinzip
|
|||
|
|
|
|||
|
|
Prompt-Caching speichert die internen Berechnungsergebnisse eines gleichbleibenden Prompt-Präfixes zwischen. Bei Folgeanfragen muss das LLM nur noch den abweichenden Suffix verarbeiten. Das senkt sowohl Latenz als auch Token-Kosten.
|
|||
|
|
|
|||
|
|
## Technische Grundlage: KV-Cache
|
|||
|
|
|
|||
|
|
Die Basis ist der **KV-Cache der Transformer-Architektur**:
|
|||
|
|
|
|||
|
|
- Während der **Prefill-Phase** berechnet der Transformer für jedes Token Key- und Value-Vektoren (Self-Attention)
|
|||
|
|
- Diese Vektoren werden im **KV-Cache** gespeichert
|
|||
|
|
- Bei der nächsten Anfrage mit identischem Präfix werden die gecachten Vektoren **wiederverwendet**, statt neu berechnet
|
|||
|
|
- Nur die neuen Tokens des Suffix durchlaufen die volle Prefill-Berechnung
|
|||
|
|
|
|||
|
|
### Prompt-Struktur ist entscheidend
|
|||
|
|
|
|||
|
|
Damit Prompt-Caching wirkt, muss der Prompt korrekt strukturiert sein:
|
|||
|
|
|
|||
|
|
| Position | Inhalt | Cache-Verhalten |
|
|||
|
|
|----------|--------|----------------|
|
|||
|
|
| **Anfang** (Präfix) | Systemanweisungen, Dokumente, Tooldefinitionen, Gesprächsverlauf | ✅ Wird gecached |
|
|||
|
|
| **Ende** (Suffix) | Aktuelle Benutzerfrage, variable Parameter | 🔄 Neu berechnet |
|
|||
|
|
|
|||
|
|
Ein falscher Aufbau (z. B. variable Daten am Anfang) macht das Caching unwirksam.
|
|||
|
|
|
|||
|
|
## Performance-Gewinne
|
|||
|
|
|
|||
|
|
| Szenario | Verbesserung |
|
|||
|
|
|----------|-------------|
|
|||
|
|
| **Lokal** (Ollama, LM Studio) | Bis zu **10× schnellere** Inferenz |
|
|||
|
|
| **Cloud** (Anthropic, OpenAI) | Bis zu **90 % Kostenreduktion** |
|
|||
|
|
|
|||
|
|
## Was ist kein Prompt-Caching?
|
|||
|
|
|
|||
|
|
Prompt-Caching ist **nicht**:
|
|||
|
|
- **Context-Window-Effizienz** (das Reduzieren der Prompt-Länge durch bessere Formulierung)
|
|||
|
|
- **Model-Routing** (Auswahl des günstigsten Modells für einen Task)
|
|||
|
|
- **Semantisches Caching** (ähnliche Queries erkennen und gecachte Antworten ausliefern)
|
|||
|
|
- **Batch-Processing** (mehrere Prompts parallel verarbeiten)
|
|||
|
|
|
|||
|
|
## Verbindung zu bestehendem Wiki
|
|||
|
|
|
|||
|
|
### Komplementär zu Model-Routing
|
|||
|
|
|
|||
|
|
Prompt-Caching und Model-Routing sind **komplementäre Kostenspar-Strategien** auf verschiedenen Ebenen:
|
|||
|
|
|
|||
|
|
| Strategie | Wiki-Seite | Ebene | Hebel |
|
|||
|
|
|-----------|-----------|-------|-------|
|
|||
|
|
| **Model-Routing** | `[[../tools/model-routing.md]]` | Modellauswahl | Task → günstigstes passendes Modell |
|
|||
|
|
| **Prompt-Caching** | (diese Seite) | Token-Berechnung | Stabile Präfixe cachen → weniger Rechenaufwand |
|
|||
|
|
|
|||
|
|
**Kombination:** Ein über Model-Routing an GLM 5.2 gerouteter Code-Execution-Task profitiert zusätzlich von einem gecachten System-Prompt-Präfix. Besonders wirksam bei:
|
|||
|
|
- **Batch-Verarbeitung** (gleicher System-Prompt, viele Varianten)
|
|||
|
|
- **Agenten-Loops** (stabiler Instructions-Präfix, variierende Queries)
|
|||
|
|
- **RAG-Pipelines** (Kontext-Dokumente am Anfang, Query am Ende)
|
|||
|
|
|
|||
|
|
### KV-Cache in der Transformer-Architektur
|
|||
|
|
|
|||
|
|
Siehe auch `[[../architecture/transformer-foundation.md]]` für die klassische Transformer-Architektur, auf der der KV-Cache basiert.
|
|||
|
|
|
|||
|
|
### Kostenspar-Patterns im OpenClaw-Stack
|
|||
|
|
|
|||
|
|
- `[[../tools/model-routing.md]]` — Routing-Patterns für 90% Kosteneinsparung
|
|||
|
|
- `[[../concepts/llm/chinese-model-cost-routing.md]]` — DeRonin's 87% Cost-Cut-Playbook
|
|||
|
|
- `[[../concepts/llm/glm-5.2-zai-coding-model.md]]` — GLM 5.2 als günstige Execution-Ebene
|
|||
|
|
- `[[../architecture/model-routing.md]]` — OpenClaw's Two-Model-Pipeline
|
|||
|
|
|
|||
|
|
## Cloud-Anbieter mit Prompt-Caching
|
|||
|
|
|
|||
|
|
- **Anthropic Claude** — [Dokumentiertes Prompt Caching](https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching), Cache-Read-Tokens werden günstiger abgerechnet
|
|||
|
|
- **OpenAI** — Automatisches Caching langer Kontexte
|
|||
|
|
- **Google Gemini** — Kontext-Caching über API
|
|||
|
|
|
|||
|
|
## Lokale Implementierung
|
|||
|
|
|
|||
|
|
Mit **Ollama** lässt sich Prompt-Caching lokal nachvollziehen:
|
|||
|
|
- Ollama cacht KV-Cache automatisch bei wiederholten Prefixes
|
|||
|
|
- Der Geschwindigkeitsgewinn (bis 10×) ist direkt messbar
|
|||
|
|
- Erkenntnisse sind auf Cloud-Anbieter übertragbar
|