我运行了一个多代理系统：十个代理分析同一份输入。相同的文档、相同的市场数据、其他一切都相同。唯一的区别是角色设定——每个代理被要求以不同视角审视这些材料。

十个代理，共享一份上下文。这本该是提示缓存的理想场景：昂贵上下文只发送一次，付一次全价，其余九次读取只需支付一小部分费用。

然而事实是：我使用的五个模型中，有三个缓存命中率为零，另外两个也低于百分之七。

我盯着账单研究了很久，一直以为是自己哪里配置错了，结果真正的问题出在结构上。我相信我不是唯一犯这个错的人。

提示缓存的匹配机制到底是什么？托管推理服务商缓存的是“前缀”。提供商从第一个token开始对你的请求做哈希，寻找已经计算过的最长连续片段。如果你的请求开头与最近某个请求的前3000个token相同，那么这3000个token就是缓存读取，通常比全新计算便宜约五倍。一旦token流出现分歧，后续部分就不再缓存，之后也不会重新同步。

关键在于“前缀”这个词——我之前恰恰没有仔细想过它的含义。

我的调用代码长得和所有示例一样：

messages = [{"role": "system", "content": agent_persona}, {"role": "user", "content": shared_context}]

persona很短，只有几百个token，描述这个特定代理应该怎么推理。而共享上下文很大，是几千个token的源材料。

按提供商的处理方式，把这个消息数组当作扁平的token流来看：流中的第一个东西就是persona。每个代理的persona都不同。所以从前缀开始，在大约第一个token处就分道扬镳了。位于其后的几千个相同上下文，永远无法进入缓存。

这个错误是结构性的。如果你也在多代理场景中把所有persona放在共享内容前面，你的缓存命中率也可能和我一样是零。修正方法很简单：让共享上下文成为请求的前缀，把persona放到它后面，或者用其他方式让相同内容对齐到开头。