Cache de respostas de LLM

Casos de uso

Eliminar custos redundantes em consultas idênticas repetidas (FAQs, buscas de produtos).
Acelerar os ciclos de desenvolvimento e testes armazenando em cache solicitações de fixtures.
Servir o mesmo prompt a muitos usuários simultâneos sem pagar por chamada.
Reduzir a latência de cauda em endpoints chamados com frequência.

Início rápido

Armazene em cache solicitações idênticas para reduzir a latência em cerca de 95% e economizar custos.

curl -X POST https://router.toqan.ai/eu/v3/router/chat/completions \
  -H "Authorization: Bearer $TOQAN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-5.6-sol",
    "messages": [{ "role": "user", "content": "Explain renewable energy" }],
    "cache": { "type": "exact_match", "ttl": 3600 }
  }'

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.TOQAN_API_KEY,
  baseURL: "https://router.toqan.ai/eu/v3/router",
});

const response = await client.responses.create({
  model: "openai/gpt-5.6-sol",
  input: "Explain renewable energy",
  cache: {
    type: "exact_match",
    ttl: 3600,
  },
});

console.log(response.output_text);

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.TOQAN_API_KEY,
  baseURL: "https://router.toqan.ai/eu/v3/router",
});

const response = await client.chat.completions.create({
  model: "openai/gpt-5.6-sol",
  messages: [{ role: "user", content: "Explain renewable energy" }],
  cache: {
    type: "exact_match",
    ttl: 3600,
  },
});

console.log(response.choices[0].message.content);

Configuração

Parâmetro	Tipo	Obrigatório	Descrição	Exemplo
`type`	`"exact_match"`	Sim	Único tipo de cache compatível	`"exact_match"`
`ttl`	number	Não	Expiração do cache em segundos (padrão: 3600, máximo: 259200)	`3600`

Chave de cache: gerada a partir de modelo + entrada + todos os parâmetros. Solicitações idênticas compartilham a mesma chave.

Recomendações de TTL

Caso de uso	TTL (segundos)	Motivo
Respostas de FAQ	`86400` (24h)	Conteúdo estático
Geração de conteúdo	`3600` (1h)	Atualidade moderada
Desenvolvimento/testes	`300` (5min)	Iteração rápida
Análise de dados	`1800` (30min)	Equilíbrio entre velocidade e atualidade

Exemplos de código

Os exemplos abaixo usam o endpoint Chat Completions. O mesmo parâmetro cache se aplica à Responses API: substitua chat.completions.create(...) por responses.create(...).

curl -X POST https://router.toqan.ai/eu/v3/router/chat/completions \
  -H "Authorization: Bearer $TOQAN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-5.6-sol",
    "messages": [
      {
        "role": "user",
        "content": "Explain the benefits of renewable energy for businesses"
      }
    ],
    "cache": {
      "type": "exact_match",
      "ttl": 3600
    }
  }'

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.TOQAN_API_KEY,
  baseURL: "https://router.toqan.ai/eu/v3/router",
});

const response = await client.chat.completions.create({
  model: "openai/gpt-5.6-sol",
  messages: [
    {
      role: "user",
      content: "Explain the benefits of renewable energy for businesses",
    },
  ],
  cache: {
    type: "exact_match",
    ttl: 3600,
  },
});

from openai import OpenAI
import os

client = OpenAI(
  api_key=os.environ.get("TOQAN_API_KEY"),
  base_url="https://router.toqan.ai/eu/v3/router"
)

response = client.chat.completions.create(
    model="openai/gpt-5.6-sol",
    messages=[
        {
            "role": "user",
            "content": "Explain the benefits of renewable energy for businesses"
        }
    ],
    extra_body={
        "cache": {
            "type": "exact_match",
            "ttl": 3600
        }
    }
)

Solução de problemas

Baixa taxa de acertos no cache

Garanta parâmetros idênticos (temperature, max_tokens etc.).
Verifique se o TTL não é curto demais para o seu caso de uso.
Confirme se as solicitações são de fato idênticas (diferencia maiúsculas de minúsculas).

O cache não está funcionando

Confirme se type: "exact_match" está especificado.
Verifique o status do cache nos cabeçalhos da resposta.

Problemas de desempenho

Use um TTL mais curto para conteúdo dinâmico.
Considere pré-aquecer o cache para solicitações previsíveis.
Monitore as taxas de acerto/erro do cache.

Limitações

Apenas correspondência exata: qualquer alteração de parâmetro cria uma nova chave de cache.
Diferencia maiúsculas de minúsculas: “Hello” e “hello” são chaves de cache diferentes.
Sem correspondência semântica: solicitações semelhantes, mas não idênticas, não correspondem.
Limites de armazenamento: respostas muito grandes consomem mais espaço de cache.
Restrições de TTL: mínimo de 1 segundo e máximo de 259200 segundos (3 dias).

Boas práticas

Defina o TTL com base nos requisitos de atualidade do conteúdo.
Use o cache para solicitações repetidas e determinísticas.
Monitore as taxas de acerto do cache para otimizar os valores de TTL.
Evite armazenar em cache conteúdo personalizado ou sensível ao tempo.
Teste o comportamento do cache em desenvolvimento antes de levar para produção.

Toqan Router

Visão geral

APIs

MCP Portal

Roteamento

Segurança e privacidade

Recursos dos modelos

Ferramentas de servidor

Cenários comuns

Configuração de provedores

Início rápido

Configuração

Recomendações de TTL

Exemplos de código

Solução de problemas

Limitações

Boas práticas

​Início rápido

​Configuração

​Recomendações de TTL

​Exemplos de código

​Solução de problemas

​Limitações

​Boas práticas

Início rápido

Configuração

Recomendações de TTL

Exemplos de código

Solução de problemas

Limitações

Boas práticas