GPTCache：LLM 应用必备的【省省省】利器

想提升大型语言模型（LLM）应用的性能？用 GPTCache。

想提升 LLM 应用性能的同时降低开销？还得用 GPTCache！

GPTCache 是 LLM 语义缓存层（caching layer），它采用语义缓存（semantic cache）^[1]技术，能够存储 LLM 响应，从而显著减少检索数据所需的时间、降低 API 调用开销、提升应用可扩展性。不仅如此，用户还可以通过定制个性化缓存规则并监控缓存性能，进一步优化 GPTCache 并提升效率。

总之，可以用三个词来概括：高效（省时间）、节约成本（省钱）、定制化（省劲儿）。接下来，我们将详细介绍 GPTCache 的功能以及如何物尽其用，最大程度地借助它实现性能、成本的最优化。

01.

用语义缓存来存储 LLM 响应的五大理由

我们在开篇已经介绍过，GPTCache 采用语义缓存技术来储存 LLM 响应。原因是什么？这背后有 5 个重点：

重点一，提升性能。将 LLM 响应存储在缓存中可以显著减少检索响应所需的时间。如果之前的请求已经存储在缓存中，能够更大幅度地降低响应时间，提高应用程序的整体性能。

重点二，节省开销。大多数 LLM 服务根据请求次数和令牌数（token count）收费。缓存 LLM 响应可以减少对服务 API 的调用次数，从而节省成本。尤其是在高流量场景下，缓存尤为重要。如果不使用语义缓存，可能会多次调用 API，产生极高的费用。

重点三，提高可扩展性。缓存 LLM 响应可以通过降低 LLM 服务的负载来提高整个应用的可扩展性。而语义缓存有助于避免系统瓶颈，确保应用可以处理更多请求。

重点四，定制个性化缓存规则。根据特定要求定制语义缓存规则（如：输入类型、输出格式或响应长度等）有助于提升缓存效率。

重点五，降低网络延迟。语义缓存更靠近客户端，可以减少从 LLM 服务检索数据所需的时间，降低网络延迟，从而有效提升用户的整体体验。

02.

GPTCache 的前世今生

如果要追本溯源，GPTCache 的灵感其实来自 OSSChat^[2]。在搭建 ChatGPT 的 demo 应用 OSSChat 时，我们发现随着时间的推移，OSSChat 出现性能逐步下降、服务费用不断增加的情况。为解决这些问题，需要引入一套缓存机制，在研发缓存层 GPTCache 时，我们的工程师意识到，这能够帮助到社区用户。所以，我们决定将其开源，为更多用户提供便利。

目前，GPTCache 已经能够通过缓存语言模型的响应，提高 GPT 应用的效率和速度。同时，GPTCache 也允许用户根据自己的需求自定义缓存规则，包括 embedding 函数、相似性计算方式、存储位置和存储逐出（eviction）规则等。此外，GPTCache 支持 OpenAI ChatGPT 接口和 LangChain 接口。

• embedding API

不同的 embedding 方式会影响 GPTCache 中相似性搜索的准确性和效率。为应对多样的应用场景，GPTCache 支持丰富的 embedding 方式。迄今为止，GPTCache 支持的用于提取 embedding 的 API 包括：

- OpenAI embedding API

- ONNX with the GPTCache/paraphrase-albert-onnx model

- Hugging Face embedding API

- Cohere embedding API

- fastText embedding API

- SentenceTransformers embedding API

此外，GPTCache 还提供一个通用接口，同时支持多个 embedding API，这意味着用户可以根据自己的需求灵活选择最适合的 embedding API。

• 缓存存储（Cache Storage）

GPTCache 将 LLM 响应存储在各种数据库管理系统中。GPTCache 支持丰富的缓存存储数据库，用户可根据性能、可扩展性需求和成本预算，灵活选择最适合的数据库。GPTCache 支持的热门数据库包括：

- SQLite

- PostgreSQL

- MySQL

- MariaDB

- SQL Server

- Oracle

此外，GPTCache 还提供一个通用接口，用于扩展模块，允许用户按需添加不同的数据库系统。

• 向量存储（Vector Store）

GPTCache 包含向量存储模块，向量存储模块会根据输入请求的 embedding 查找 top-K 最相似的请求。简而言之，该模块用于评估请求之间的相似性。GPTCache 的界面十分友好，提供丰富的向量存储数据库。选择不同的向量数据库会影响相似性检索的效率和准确性。目前，GPTCache 支持多个向量数据库，包括：

- Milvus^[3]

- Zilliz Cloud^[4]

- FAISS

当然，我们也计划在未来支持更多其他的向量数据库。

• 逐出策略

GPTCache 中的缓存管理器（Cache Manager）控制 Cache Storage 和 Vector Store 模块的操作。缓存满后，缓存替换机制会决定淘汰哪些数据，为新数据腾出空间。GPTCache 目前支持以下两种标准逐出策略：

- “最近最少使用”逐出策略（Least Recently Used，LRU）

- “先进先出”逐出策略（First In First Out，FIFO）

• 相似性评估

GPTCache 中的相似性评估模块从 Cache Storage 和 Vector Store 中收集数据，并使用各种策略来确定输入请求与来自 Vector Store 的请求之间的相似性，该模块用于确定某一请求是否与缓存匹配。GPTCache 提供标准化接口，集成各种相似性计算方式。多样的的相似性计算方式能够灵活满足不同的需求和应用场景。GPTCache 根据其他用例和需求提供灵活性。

所以，还是那句话：想提升大型语言模型（LLM）应用的性能？用 GPTCache。想提升 LLM 应用性能的同时降低开销？还得用 GPTCache！

欢迎大家点击【阅读原文】或复制链接【https://github.com/zilliztech/GPTCache】使用 GPTCache 开源项目！同时，如果你对 GPTCache 有任何建议，也欢迎告诉我们或在 GPTCache 贡献代码^[5]！

🌟【相关链接】🌟

[1]        

语义缓存（semantic cache）：https://zilliz.com/glossary/semantic-cache

[2]        

OSSChat：https://osschat.io/

[3]        

Milvus：https://milvus.io/

[4]        

Zilliz Cloud：https://zilliz.com/cloud

[5]       

GPTCache 贡献代码：https://gptcache.readthedocs.io/en/latest/contributing.html