1.概述

传统应用开发中，为了提升系统的查询性能，往往会在系统架构设计中加入缓存机制。在AI大模型领域，虽然功能非常强大，但是使用成本也是非常昂贵的，比如OpenAI的GPT-4按照token的个数来计算费用。那么，在这种情况下是否有一种方案来解决呢？既能降低使用LLM API的成本，也能同时提升调用LLM API的效率和性能。GPTCache的出现，专门解决了这类痛点，对于大语言模型的对话场景，没有必要每次都去调用LLM的API，完全可以通过缓存调用一次即可，大大节省使用成本。本篇博客，笔者将为大家介绍GPTCache的相关内容。

2.内容

GPTCache 是一款高效的开源缓存解决方案，专为提升基于 GPT 的应用程序性能而设计。它通过语义缓存技术，有效存储语言模型的生成响应，从而加速应用程序的响应速度和整体效率。作为一个灵活的 LLM 缓存层，GPTCache 提供了高度可定制的缓存选项，允许用户根据特定需求调整嵌入函数、相似性评估机制、数据存储位置以及缓存驱逐策略。目前，GPTCache 支持与 OpenAI ChatGPT 和 LangChain 接口的集成，扩展了其在多种应用场景下的适用性。

2.1 为什么使用 GPTCache？

使用语义缓存来存储 LLM 响应的好处如下：

• 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；

• 节省开销：大多数LLM服务根据请求次数和 令牌数 的组合收费。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；

• 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体应用的可扩展性。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；

• 降低开发成：语义缓存工具能够减少大语言模型应用的开发成本。开发过程中需要连接大语言模型的 API，因此成本可能会十分高昂。GPTCache 界面与大语言模型 API 相同，可存储模型生成数据。使用 GPTCache 无需再连接至大语言模型 API，从而降低成本；
• 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。降低网络延迟能有效提升用户的整体体验；
• 提升可用性：LLM 服务频繁限制用户或客户端在特定时间段内访问服务器的频次。触达访问速率上限时，请求会被屏蔽。用户不得不等待一段时间后才可以继续访问服务器，这种限制会导致服务中断。使用 GPTCache 后，您可以根据应用用户数量和查询量灵活快速扩展，保障服务可用性和性能。

总的来说，开发用于存储LLM响应的语义缓存可以提供多种好处，包括性能改进、降低成本、更好的可伸缩性、自定义性和降低网络延迟。

2.2 GPTCache 的工作原理

GPTCache 通过捕捉在线服务数据的局部性特征，对频繁使用的数据进行存储，从而显著减少检索延迟并缓解后端服务器的压力。区别于传统的缓存解决方案，GPTCache 实现了先进的语义缓存机制，能够识别并保留高度相似或紧密相关的查询，大幅提升缓存的命中率。

该工具运用 embedding 技术将用户的问题转换为向量形式，并借助向量数据库执行相似性查询，以便从缓存中快速提取相关响应。GPTCache 的模块化架构设计为用户提供了极大的灵活性，使得每个组件都可以根据用户的具体需求进行个性化配置。

尽管语义缓存在某些情况下可能会产生误报（false positives）或漏报（false negatives），GPTCache 设计了三种性能评估指标，协助开发者对缓存系统进行细致的调优。

通过这一高效流程，GPTCache 能够有效地在缓存中定位并提取出与用户查询相似或相关的信息，如流程图所示：

2.3 什么是语义缓存

GPTCache 的模块化架构提供了灵活性和可定制性，使用户能够根据特定的应用需求和场景，轻松构建和调整个性化的语义缓存解决方案。每个组件都配备了多样的配置选项，确保用户能够精准地实现其缓存策略，以适应不同的业务挑战和技术环境。

1.大语言模型适配器（LLM Adapter）

适配器将大语言模型请求转换为缓存协议，并将缓存结果转换为 LLM 响应。适配器方便轻松集成所有大语言模型，并可灵活扩展。GPTCache 支持多种大语言模型，包括：

• OpenAI ChatGPT API
• langchain
• Minigpt4
• Llamacpp
• dolly
• 后续将支持：Hugging Face Hub、Bard、Anthropic 等

2.预处理器（Pre-Processor）

预处理器管理、分析请求，并在将请求发送至 LLM 前调整请求格式，具体包括：移除输入种冗余的信息、压缩输入信息、切分长文本、执行其他相关任务等。

3.向量生成器（Embedding Generator）

Embedding 生成器将用户查询的问题转化为 embedding 向量，便于后续的向量相似性检索。GPTCache 支持多种模型，包括：

• OpenAI embedding API
• ONNX（GPTCache/paraphrase-albert-onnx 模型）
• Hugging Face embedding API
• Cohere embedding API
• fastText embedding API
• SentenceTransformers embedding API
• Timm 模型库中的图像模型

4.缓存存储（Cache Store）

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 支持多个热门数据库，包括：

• SQLite
• PostgreSQL
• MySQL
• MariaDB
• SQL Server
• Oracle

5.向量存储（Vector Store）

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。GPTCache 支持多个向量数据库，包括：

• Milvus
• Zilliz Cloud
• Milvus Lite
• Hnswlib
• PGVector
• Chroma
• DocArray
• FAISS

6.逐出策略（Eviction Policy）

管理：控制缓存存储和向量存储模块的操作。缓存满了之后，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）

7.相似性评估器（Similarity Evaluator）

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狗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。

8.后处理器（Post-Processor）

后处理器负责在返回响应前处理最终响应。如果没有命中缓存中存储的数据，大语言模型适配器会从 LLM 请求响应并将响应写入缓存存储中。

3.案例实践

接下来，笔者将介绍学习如何有效地使用 GPT 聊天功能。虽然原始示例基于 OpenAI 的演示，但我们的重点是教授如何通过 GPTCache 来缓存精确和相似的响应，这一过程异常简洁。您只需遵循几个简单的初始化缓存的步骤即可。

在开始之前，请确保您已经通过设置环境变量 OPENAI_API_KEY 来配置您的 OpenAI API 密钥。如果您还未进行设置，根据您的操作系统（MacOS/Linux或 Windows），可以通过以下命令进行设置：

对于 MacOS/Linux 系统：

export OPENAI_API_KEY=YOUR_API_KEY

完成这些步骤后，您可以通过以下代码示例来体验 GPTCache 的应用和加速效果。我们将展示三个部分：使用 OpenAI 的原始方式、进行精确搜索以及执行相似搜索。

1.使用 OpenAI 的原始方式

实现代码如下所示：

import time
from openai import ChatCompletion

def format_response(openai_response):
    return openai_response['choices'][0]['message']['content']

# 定义问题
question = 'what’s github'

# 使用 OpenAI API 获取响应
start_time = time.time()
response = ChatCompletion.create(
    model='gpt-4-0125-preview',
    messages=[{'role': 'user', 'content': question}]
)

# 打印问题和响应
print(f"Question: {question}")
print(f"Time consuming: {time.time() - start_time:.2f}s")
print(f"Answer: {format_response(response)}\n")

2.精确搜索

为了启动 GPTCache 并优化性能，您需要进行适当的初始化。这包括从 gptcache.adapter 导入 openai 模块，这样会自动配置数据管理器以便于精确地匹配和检索缓存数据。有关如何构建和定制您自己的缓存系统的更多信息，请参考 GPTCache 的构建指南。

当您向 ChatGPT 提出两个完全相同的问题时，GPTCache 将确保第二个问题的答案直接从缓存中获取，避免了对 ChatGPT 的重复请求，从而提高了响应速度和效率。实现代码如下所示：

import time
from gptcache import cache
from gptcache.adapter import openai

# 初始化 GPTCache
cache.init()
cache.set_openai_key()

def get_response_text(response):
    return response['choices'][0]['message']['content']

print("Cache loading.....")

question = "what's github"
for _ in range(2):
    start_time = time.time()
    response = openai.ChatCompletion.create(
        model='gpt-4-0125-preview',
        messages=[
            {'role': 'user', 'content': question}
        ]
    )
    print(f'Question: {question}')
    print(f"Time consuming: {time.time() - start_time:.2f}s")
    print(f'Answer: {get_response_text(response)}\n')

3.相似搜索

为了配置 GPTCache 以提高效率和性能，您需要定义几个关键组件：embedding_func 用于生成文本的嵌入表示，data_manager 负责管理缓存中的数据，以及 similarity_evaluation 用于评估不同文本之间的相似性。这些组件的具体设置和优化方法，详见“构建您的缓存”部分的详细指南。

当您使用 ChatGPT 回答一系列相关的问题后，GPTCache 能够根据之前的交互从缓存中提取答案，这样对于后续的相似问题，就无需再次向 ChatGPT 发起请求，从而减少了延迟并提高了响应速度。实现代码如下所示：

import time
from gptcache import cache, get_data_manager
from gptcache.adapter import openai
from gptcache.embedding import Onnx
from gptcache.similarity_evaluation.distance import SearchDistanceEvaluation
from gptcache.manager import CacheBase, VectorBase

# 初始化 GPTCache
onnx = Onnx()
data_manager = get_data_manager(CacheBase("sqlite"), VectorBase("faiss", dimension=onnx.dimension))
cache.init(
    embedding_func=onnx.to_embeddings,
    data_manager=data_manager,
    similarity_evaluation=SearchDistanceEvaluation()
)
cache.set_openai_key()

def get_response_text(response):
    return response['choices'][0]['message']['content']

print("Cache loading.....")

questions = [
    "what's github",
    "can you explain what GitHub is",
    "can you tell me more about GitHub",
    "what is the purpose of GitHub"
]

for question in questions:
    start_time = time.time()
    response = openai.ChatCompletion.create(
        model='gpt-4-0125-preview',
        messages=[{'role': 'user', 'content': question}]
    )
    print(f'Question: {question}')
    print(f"Time consuming: {time.time() - start_time:.2f}s")
    print(f'Answer: {get_response_text(response)}\n')

4.GPTCache server

GPTCache 目前具备了构建服务器的能力，该服务器不仅支持缓存功能，还能进行对话交互。通过简单的几行代码，用户便能够启动一个个性化的 GPTCache 服务实例。以下是一个简洁的示例，演示了如何搭建 GPTCache 服务器以及如何与其进行交互操作。

# 安装和启动服务
$ gptcache_server -s 127.0.0.1 -p 8000

# 用doker启动服务
$ docker pull zilliz/gptcache:latest
$ docker run -p 8000:8000 -it zilliz/gptcache:latest

1.命令行交互

# 写数据到 GPTCache
curl -X 'POST' \
  'http://localhost:8000/put' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "prompt": "Hi",
  "answer": "Hi welcome"
}'

# 从 GPTCache 中读数据
curl -X 'POST' \
  'http://localhost:8000/get' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "prompt": "Hi"
}'

2.Python实现

>>> from gptcache.client import Client

 >>> client = Client(uri="http://localhost:8000")
 >>> client.put("Hi", "Hi welcome")
 200
 >>> client.get("Hi")
 'Hi welcome'

5.总结

GPTCache 是一个为基于 GPT 的应用程序设计的高性能缓存解决方案，它利用语义缓存技术来存储和快速检索语言模型的输出。通过模块化设计，GPTCache 支持个性化配置，允许用户根据需求选择嵌入函数、相似性评估方法和数据存储选项。它不仅提高了响应速度，减少了对原始数据源的请求，还通过智能缓存机制优化了服务器负载。此外，GPTCache 支持构建对话服务器，简化了与大型语言模型的集成和交互，为用户提供了更加流畅和智能的体验。