开了提示缓存，为什么第一笔比不开还贵？

1. 命中便宜，写入不便宜

很多人把提示缓存理解成「同一段前缀，第二次自动打折」。Claude 和 OpenAI 现在的价目都不是这个意思。命中（cache read）确实远低于普通输入。写入（cache write）在现行的多数模型上比普通输入更贵。只看「cached」这个词，会把第一笔加价当成平台算错。

Claude 定价页把乘数写在提示缓存一节：5 分钟缓存写入是基础输入价的 1.25 倍，1 小时写入是 2 倍。命中和刷新，多数模型是 0.1 倍；Claude Opus 5.5 和 Sonnet 5.5 是 0.05 倍；Fable 5.1 和 Mythos 5.1 是 0.025 倍。官方给的回本账是：5 分钟档，写入 1.25 再加一次命中 0.1，合计 1.35，对照不缓存时把同一段发两次的 2 倍，第一次完整复用就回本。1 小时档写入已经是 2 倍，要两次命中（2 + 0.2 = 2.2，对照三次不缓存的 3）才划算。只写一次、窗口里没有第二次请求，你付的是加价，不是折扣。具体单价以定价页为准，这里只核对乘数。

OpenAI 提示缓存说明从 GPT-5.6 起把写入也改成普通未缓存输入的 1.25 倍，读取多数是 0.1 倍，GPT-6.1 Sol 是 0.05 倍。文档算过同一笔：按 0.1 倍读取，写一次再完整读一次是 1.35 倍，不缓存发两次是 2 倍；写一次再读九次是 2.15 倍，不缓存发十次是 10 倍。更早的模型没有写入加价，只有各自的缓存读取折扣。把 2024 年「自动对半」的记忆套到 GPT-5.6 上，第一笔会对不上。写入价是替代，不是附加：同一批 token 走未缓存输入、缓存读取、缓存写入三者之一，不会在 1 倍之外再加 1.25。

2. 时钟从请求开始走，不从回答结束走

Claude 提示缓存默认 5 分钟。寿命从写入或读取这次请求的开始时刻算，不从回答结束算。文档里的例子：流式回答用了 4 分钟，下一次要复用同一前缀，必须在这次回答结束后大约 1 分钟内发出。生成时间吃的是缓存寿命，不是免费附送的等待。命中会刷新寿命，这次刷新不再另收一笔写入费。你付的是命中本身的读取价。「刷新不再另收写入」不是「命中变成 0」。

1 小时档要显式把 TTL 设成 1 小时，写入按 2 倍。它买的是更长的窗口，不是更便宜的命中。自动缓存默认仍是 5 分钟。顶层 cache_control 和块上已有的断点 TTL 不一致，接口返回 400；已经放满 4 个显式断点再加自动缓存，也是 400。缓存被静默跳过时则不报错，见下一节的用量字段。

并发还有一个坑：缓存条目要等第一次响应开始之后，后续请求才能读到。一批并行请求同时打出去，各自看不到别人正在写的缓存，于是各自付一笔写入。要命中，得等第一笔响应开始，再发后面的。

OpenAI 在 GPT-5.6 及之后，prompt_cache_options.ttl 目前只支持 30m，这也是默认值。最近一次写入或复用之后至少 30 分钟可再用，复用刷新寿命，不再收写入费；平台可能留得更久，不能把「可能更久」当成账单承诺。更早的模型用 prompt_cache_retention：in_memory 大约闲置 5 到 10 分钟、最长一小时；24h 通常大约 30 分钟可用、最长可留 24 小时。两种都支持时，组织没开 Zero Data Retention，默认 24h；开了则默认 in_memory。短窗口不是接口故障，是保留策略。缓存不跨组织，也不跨处理区域。

3. 断点放在会变的那一块，等于每次都付写入

Claude 只在标了 cache_control 的断点上写一条缓存。哈希覆盖断点之前的整个前缀，顺序是 tools、system、messages。断点前面任何一个块变了，哈希就变，下一次是新的写入。读取会从断点往回找以前写过的条目，最多看 20 个位置。它找的是以前的写入，不是「这段看起来很稳定，所以自动缓存」。自动缓存把断点放在最后一个可缓存块上。如果最后一块是每轮都变的用户消息，每一轮都在写，读不到上一轮。断点要放在跨请求保持不变的最后一块上。对话在长，但每轮新增不到 20 块时，把断点留在末尾仍能回看到上一轮的写入；一旦超出这 20 块的回看窗口，上一轮的条目就在窗外，需要更靠前的第二个断点事先写过。

断点个数本身不加价，最多 4 个。加价只看实际写入和读取的 token。前缀短于该模型的最低长度时，请求照常处理，不报错，也不缓存。用量里 cache_creation_input_tokens 和 cache_read_input_tokens 都是 0，就是没进缓存。最低长度按模型不同，文档列出 512、1024、2048、4096 几档，以提示缓存页里你这个模型的那一行为准。用别的模型的门槛去解释自己的 0，会对错原因。

失效顺着层级走。改工具定义，tools、system、messages 全部失效。开关联网搜索、引用，或在 speed: "fast" 和标准速度之间切换，system 和 messages 失效。改 tool_choice、增删图片，messages 失效。这些变化不会报错，下一笔只是重新按写入价计。思考块不能单独标断点，但出现在之前的助手回合里时可以跟着别的内容被缓存；从缓存读出时，它们计入输入 token。

OpenAI 在 GPT-5.6 及之后可以显式断点。prompt_cache_options.mode 设成 explicit 且一个断点都不放，这次请求不使用提示缓存，也不产生写入。断点之后的内容按未缓存输入计，不收写入费。这是避开「把会变的尾巴写进缓存」的办法。隐式模式会把断点放在最近一条合格消息的末尾，那条消息如果每轮都变，写入就会跟着变。更早的模型只有隐式断点，报告的 cached_tokens 还会扣掉隐藏的系统 token，再向下取整到 128 的倍数，所以用量数字可以小于你心算的前缀长度。缓存落在单台机器上。同一组织、同一区域里，流量高过大约每分钟 15 次，可能被分流到没有这份缓存的机器，于是未命中。prompt_cache_key 在 GPT-5.6 之前影响路由，不能保证命中；在 GPT-5.6 及之后，路由由平台处理，这个 key 用来把不同客户的缓存账分开，也不是命中开关。GPT-5.6 起最低可缓存前缀是 1024 个可见输入 token，隐藏的系统内容不计入这个门槛。更早的模型门槛还跟工具、图片、输出格式和推理强度有关。

4. 两家的用量字段不是同一本账

Claude 的 input_tokens 只统计最后一个断点之后的 token，不是你发出去的全部输入。总输入是 cache_read_input_tokens + cache_creation_input_tokens + input_tokens。把 input_tokens 当成全部输入再乘基础单价，会把命中和写入都漏掉，账单看起来像平台多收了。流式响应里这三项在 message_start 的 usage 里，不在最后一条文本事件里。

OpenAI 在 usage.input_tokens_details 里给 cached_tokens 和 cache_write_tokens。普通输入等于 input_tokens 减去这两项。写入的那些 token 用 1.25 倍，不在此之外再乘 1 倍。用 Claude 的三项相加去套 OpenAI，或者用 OpenAI 的减法去套 Claude，都会得到一笔不存在的重复收费，或一笔不存在的折扣。诊断接口报的 cache miss 计数可以和 usage 不一致，计费以当次响应的 usage 为准。诊断本身不加价，但为了对比而额外打出的基线请求或重试，仍按那些请求自己的 token 计。

乘数还会叠别的修饰。Claude 写明缓存乘数与 Batch 折扣、长上下文定价、数据驻留叠加。Claude 4.6 及之后，用 inference_geo 指定仅美国推理，输入、输出、写入、读取都再乘 1.1。Haiku 5.5 按提示长度分档，提示超过 10 万 token 走更高单价，缓存读取和写入都计入这次提示长度。一次请求超了线，即使其中一部分是命中，也按更高档计；更早的短请求保持当时的价格。这和国内 DeepSeek、通义千问的上下文缓存不是同一口表。那边是前缀命中折扣。这边在现行 Claude 和 GPT-5.6 之后，第一笔写入可以比不开缓存更贵。

5. 给 API 账户充值，补不回一次未命中

对账先拆四列。第一列是这次 usage：写入 token、读取 token、断点之后的普通输入，各乘各的乘数，不要加总后再乘一个价。第二列是时限：Claude 从请求开始算 5 分钟或 1 小时；OpenAI GPT-5.6 起至少 30 分钟，更早的模型看 in_memory 还是 24h，以及组织有没有开 Zero Data Retention。第三列是前缀是否真的相同：工具定义、system、消息顺序，有没有在 fast 和标准速度之间切过。第四列是请求是不是抢在第一次响应开始之前并行发出去的。

给平台账户充值是第五本账。链上把稳定币换成能充进 API 账户的资产，发生在余额入账之前。它不制造缓存命中，也不把已经按 1.25 倍或 2 倍记下的写入改成折扣。需要这一步时，可以用无需注册、非托管的 AllSwap 完成链上兑换。兑换成功只说明资产换了手。断点、时限和用量字段该改还得改。