如果你体验过Claude Code，那种行云流水般的代码协作感背后，有一个概念功不可没：提示缓存（Prompt caching）。
Anthropic一篇官方博客文章告诉我们“缓存统治一切”，在AI智能体（Agent）的世界里，这句话是金科玉律。
为了极致的速度与成本，整个Claude Code的架构设计，都是围绕着一段不能随意变动的“文本前缀”来进行的。
从精心排列提示词的顺序，到死守不变的模型与工具集，再到设计巧妙的“Plan模式”和缓存安全的分叉压缩。Anthropic团队将这些来自实战一线的宝藏经验公开了。
给提示词排个队，越稳越靠前
提示缓存的工作原理很像一个苛刻的“前缀匹配”游戏。API会从你的请求开头开始匹配，只要内容一模一样，这部分计算就会被缓存复用。顺序在这里至关重要，牵一发而动全身。
Claude Code的策略是将最稳固的内容放在最前面。它的请求结构就像精心打包的行李箱，层次分明：
最外层是全局静态的系统提示词和工具定义，这部分对所有用户和会话都通用，是缓存命中率最高的部分。
紧接着是CLAUDE.md文件中的项目规则，在同一个项目中可以安全复用。
再往里是当前会话的上下文，只要还在这一轮对话中，它就保持不变。
最后，才是不断增长的、动态的对话消息。
这种先静态、后动态的布局，最大化了跨会话的缓存共享。
但这种精巧的设计也出奇的脆弱。团队有过不少次无意中打破缓存的教训。
比如，在静态系统提示词里塞进了一个精确到秒的时间戳；或者，工具定义的列表顺序因为某种非确定性算法而发生变动；再比如，仅仅是更新了某个工具的参数，像是修改了Agent工具可以调用的子智能体列表。
这些看似微小的改动，都会让整个前缀失效，导致缓存未命中。
想更新信息？别动提示词，发条消息就行。
执行任务时，信息很容易过时。比如系统里内置的时间不对了，或者用户修改了文件。一个直接的念头是去更新系统提示词里的内容，但这会立即引发缓存失效，对用户来说成本高昂。
Claude Code的做法是把这些更新当作下一轮对话的消息传递进去，而不是修改原有的提示词前缀。
他们会在下一条用户消息或工具返回的结果里，悄悄加入一个<system-reminder>标签，把最新的信息告诉模型。
这个小小的技巧，完美地保住了珍贵的缓存。
不改模型，不改工具
在同一个会话中途切换模型，听起来像是一个合理的省钱策略。
比如，当你用强大的Opus模型聊了10万个Token的上下文后，觉得下个简单问题可以用更便宜的Haiku模型来回答。但算一下账就会发现，这个操作实际上更贵。
原因是，提示缓存是跟特定模型绑定的。切换到Haiku后，之前为Opus构建的缓存全部作废，你需要为Haiku重新发送整个上下文并付费，成本反而更高。
真需要切换模型怎么办？
官方的做法是使用子智能体（subagents）。
可以让主模型Opus生成一个交接指令，然后派一个子智能体去用Haiku执行具体任务。
Claude Code的探索功能（Explore agents）就经常这么干，用Haiku来进行低成本的探索。
同样，在对话中增加或移除工具，是另一个常见的缓存破坏者。
你可能会想，模型当前不需要某个工具，那就别给它看了，省点Token。
但工具列表是缓存前缀的一部分，任何增减都会让整个会话的缓存瞬间失效。
Plan模式的精妙设计：把功能做成工具
Plan模式是围绕缓存约束设计功能的一个绝佳范例。
直觉上，进入Plan模式就该把编辑工具都换成只读工具。但如果这样做，缓存就断了。
Claude Code的做法是，从始至终保持工具集不变。
他们将EnterPlanMode和ExitPlanMode本身都当作工具。
当用户开启Plan模式时，模型并不会拿到新的工具列表，而是会收到一条系统消息，告诉它：“你现在已经进入Plan模式了，你的任务是探索代码库，不要编辑任何文件，规划完成后请调用ExitPlanMode工具。”
工具定义纹丝未动，缓存安然无恙。
这个设计还有一个额外的好处：因为进入Plan模式本身就是一个工具调用，模型可以在遇到难题时，完全自主地决定进入规划模式，整个过程没有任何缓存中断。
这个原则同样适用于大量MCP工具的加载。
如果一股脑全发出去，成本极高；但如果中途移除，又会破坏缓存。
他们的解决方案是“延迟加载”（defer_loading）。所有工具都以轻量级“存根”（stub）的形式存在，只包含工具名和一个defer_loading: true的标记。
当模型通过工具搜索发现并选中它时，才会去加载完整的工具模式。
这样一来，缓存前缀里始终只有那些稳定不变的轻量存根，既节省了输入成本，又保全了缓存。
压缩上下文，也要缓存安全
当上下文窗口快要塞满时，压缩（Compaction）就登场了。
这个过程会将漫长的对话历史总结成一个摘要，然后用这个摘要替代原始消息，开启一段新的会话。
压缩与缓存的结合，是最容易踩坑的地方。
最直观的做法是发起一个新的API调用，用一个类似“总结这段对话”的系统提示，不带任何工具。但这正中成本陷阱。
原因很简单：这个新的总结请求，其系统提示和工具集与主对话完全不同。
两者的请求前缀从第一个Token开始就分道扬镳了，主对话的缓存完全没法复用。
你需要为传入的整个长对话，支付全额的、未缓存的输入费用。对话越长，这次总结就越昂贵。
Claude Code的解法是“缓存安全的分叉”（cache-safe forking）。
执行压缩时，他们创建的新请求，其系统提示词、用户上下文、会话上下文和工具定义，与父对话完全一致。
他们先把父对话的所有消息放进去，然后在最后面追加一个压缩指令，作为一个新的用户消息。
从API的视角看，这个新请求跟父对话的最后一个请求几乎一模一样。
相同的前缀，相同的工具，相同的历史。因此，那庞大的缓存前缀得以完全复用。唯一新增的Token，只是末尾那条压缩指令本身。聪明至极。
当然，这个机制需要精心预留一个“压缩缓冲区”，确保有足够的上下文窗口空间来容纳压缩指令和生成的摘要。
基于这些经验，Anthropic已经将压缩功能直接内置到了API中，方便开发者直接在自己的应用里运用这些模式。
来自一线的缓存心法
Claude Code团队关于优化提示缓存的实用模式：
提示缓存是严格的前缀匹配。前缀里任何位置的任何改动，都会让它后面所有内容缓存失效。整个系统的设计都应该围绕这个约束展开。顺序摆对了，大部分缓存就是免费的。
用消息，而不是修改系统提示词。想切换Plan模式？更改日期？把这些信息塞进对话的消息里，比直接修改系统提示词划算得多。
中途坚决不换模型和工具。用工具来模拟状态切换（比如Plan模式），用延迟加载来代替移除工具。
像监控在线率一样监控缓存命中率。团队对缓存错过设置了警报，并将其当作事故来处理。少掉几个百分点的缓存命中率，都会对成本和延迟产生巨大影响。
任何分叉操作，都必须和父进程共享前缀。需要运行一个计算侧任务（比如压缩、总结、技能执行）时，使用与父进程完全相同的、缓存安全的参数。
Claude Code从第一天起就被设计成围绕提示缓存来构建。
如果你也打算动手打造下一个伟大的智能体，不妨也从这条规则开始。
参考资料：
https://claude.com/blog/lessons-from-building-claude-code-prompt-caching-is-everything
