프롬프트 캐싱

"Prompt caching"(프롬프트 캐싱)은 프롬프트의 특정 접두사(prefix)에서 재개할 수 있도록 하여 API 사용을 최적화합니다. 이를 통해 반복적인 작업이나 일관된 요소가 있는 프롬프트의 처리 시간과 비용을 크게 줄일 수 있습니다.

프롬프트 캐싱을 활성화하는 방법은 두 가지입니다:

• 자동 캐싱: 요청의 최상위 수준에 단일 cache_control 필드를 추가합니다. 시스템이 자동으로 마지막 캐시 가능 블록에 캐시 중단점(cache breakpoint)을 적용하고, 대화가 길어짐에 따라 이를 앞으로 이동시킵니다. 늘어나는 메시지 기록을 자동으로 캐싱해야 하는 멀티턴 대화에 가장 적합합니다.
• 명시적 캐시 중단점: 개별 콘텐츠 블록에 cache_control을 직접 배치하여 정확히 무엇이 캐싱되는지 세밀하게 제어합니다.

가장 간단하게 시작하는 방법은 자동 캐싱입니다:

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    cache_control={"type": "ephemeral"},
    system="You are an AI assistant tasked with analyzing literary works. Your goal is to provide insightful commentary on themes, characters, and writing style.",
    messages=[
        {
            "role": "user",
            "content": "Analyze the major themes in 'Pride and Prejudice'.",
        }
    ],
)
print(response.usage.model_dump_json())

자동 캐싱을 사용하면 시스템은 마지막 캐시 가능 블록까지(해당 블록 포함) 모든 콘텐츠를 캐싱합니다. 동일한 접두사를 가진 후속 요청에서는 캐싱된 콘텐츠가 자동으로 재사용됩니다.

프롬프트 캐싱 작동 방식

프롬프트 캐싱이 활성화된 요청을 보내면:

1. 시스템은 지정된 캐시 중단점까지의 프롬프트 접두사가 최근 쿼리에서 이미 캐싱되어 있는지 확인합니다.
2. 발견되면 캐싱된 버전을 사용하여 처리 시간과 비용을 줄입니다.
3. 그렇지 않으면 전체 프롬프트를 처리하고 응답이 시작되면 접두사를 캐싱합니다.

이는 특히 다음과 같은 경우에 유용합니다:

• 예시가 많은 프롬프트
• 대량의 컨텍스트 또는 배경 정보
• 일관된 지침이 있는 반복 작업
• 긴 멀티턴 대화

기본적으로 캐시의 수명은 5분입니다. 캐싱된 콘텐츠가 사용될 때마다 추가 비용 없이 캐시가 갱신됩니다.

수명은 캐시 항목을 쓰거나 읽는 요청의 시작 시점부터 측정되며, 응답이 끝나는 시점부터가 아닙니다. 응답 생성에 소요된 시간도 수명에 포함됩니다. 응답을 스트리밍하는 데 4분이 걸린다면, 동일한 캐싱된 접두사를 재사용하는 후속 요청은 해당 응답이 완료된 후 약 1분 이내에 시작되어야 합니다.

가격

프롬프트 캐싱은 새로운 가격 구조를 도입합니다. 다음 표는 지원되는 각 모델의 백만 토큰당 가격을 보여줍니다:

^{1 Claude Fable 5.1 및 Claude Mythos 5.1의 캐시 히트 및 갱신은 기본 입력 가격의 0.025배로 책정됩니다. 다른 모든 모델은 표준 0.1배 배수를 사용합니다.}

지원 모델

프롬프트 캐싱(자동 및 명시적 모두)은 모든 활성 Claude 모델에서 지원됩니다.

자동 캐싱

자동 캐싱은 프롬프트 캐싱을 활성화하는 가장 간단한 방법입니다. 개별 콘텐츠 블록에 cache_control을 배치하는 대신, 요청 본문의 최상위 수준에 단일 cache_control 필드를 추가하세요. 시스템이 자동으로 마지막 캐시 가능 블록에 캐시 중단점을 적용합니다.

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    cache_control={"type": "ephemeral"},
    system="You are a helpful assistant that remembers our conversation.",
    messages=[
        {"role": "user", "content": "My name is Alex. I work on machine learning."},
        {
            "role": "assistant",
            "content": "Nice to meet you, Alex! How can I help with your ML work today?",
        },
        {"role": "user", "content": "What did I say I work on?"},
    ],
)
print(response.usage.model_dump_json())

멀티턴 대화에서 자동 캐싱이 작동하는 방식

자동 캐싱을 사용하면 대화가 길어짐에 따라 캐시 지점이 자동으로 앞으로 이동합니다. 각 새 요청은 마지막 캐시 가능 블록까지 모든 것을 캐싱하고, 이전 콘텐츠는 캐시에서 읽습니다.

캐시 중단점은 각 요청에서 자동으로 마지막 캐시 가능 블록으로 이동하므로, 대화가 길어져도 cache_control 마커를 업데이트할 필요가 없습니다.

TTL 지원

기본적으로 자동 캐싱은 5분 TTL을 사용합니다. 기본 입력 토큰 가격의 2배로 1시간 TTL을 지정할 수 있습니다:

{ "cache_control": { "type": "ephemeral", "ttl": "1h" } }

블록 수준 캐싱과 결합하기

자동 캐싱은 명시적 캐시 중단점과 호환됩니다. 함께 사용할 경우, 자동 캐시 중단점은 사용 가능한 4개의 중단점 슬롯 중 하나를 사용합니다.

이를 통해 두 가지 접근 방식을 결합할 수 있습니다. 예를 들어, 명시적 중단점으로 시스템 프롬프트를 캐싱하고 자동 캐싱이 대화를 처리하도록 할 수 있습니다:

{
  "model": "claude-opus-5",
  "max_tokens": 1024,
  "cache_control": { "type": "ephemeral" },
  "system": [
    {
      "type": "text",
      "text": "You are a helpful assistant.",
      "cache_control": { "type": "ephemeral" }
    }
  ],
  "messages": [{ "role": "user", "content": "What are the key terms?" }]
}

동일하게 유지되는 사항

자동 캐싱은 동일한 기반 캐싱 인프라를 사용합니다. 가격, 최소 토큰 임계값, 컨텍스트 순서 요구 사항, 20블록 룩백 윈도우는 모두 명시적 중단점과 동일하게 적용됩니다.

엣지 케이스

• 마지막 블록에 이미 동일한 TTL의 명시적 cache_control이 있는 경우, 자동 캐싱은 아무 동작도 하지 않습니다(no-op).
• 마지막 블록에 다른 TTL의 명시적 cache_control이 있는 경우, API는 400 오류를 반환합니다.
• 이미 4개의 명시적 블록 수준 중단점이 존재하는 경우, API는 400 오류를 반환합니다(자동 캐싱을 위한 슬롯이 남아 있지 않음).
• 마지막 블록이 자동 캐시 중단점 대상으로 적합하지 않은 경우, 시스템은 조용히 뒤로 이동하며 가장 가까운 적합한 블록을 찾습니다. 찾지 못하면 캐싱을 건너뜁니다.

명시적 캐시 중단점

캐싱을 더 세밀하게 제어하려면 개별 콘텐츠 블록에 cache_control을 직접 배치할 수 있습니다. 이는 서로 다른 빈도로 변경되는 여러 섹션을 캐싱해야 하거나, 정확히 무엇이 캐싱되는지 세밀하게 제어해야 할 때 유용합니다.

프롬프트 구조화

정적 콘텐츠(도구 정의, 시스템 지침, 컨텍스트, 예시)를 프롬프트의 시작 부분에 배치하세요. cache_control 매개변수를 사용하여 캐싱할 재사용 가능 콘텐츠의 끝을 표시하세요.

캐시 접두사는 tools, system, messages 순서로 생성됩니다. 이 순서는 각 수준이 이전 수준 위에 구축되는 계층 구조를 형성합니다.

자동 접두사 확인 작동 방식

정적 콘텐츠의 끝에 캐시 중단점을 하나만 사용해도, 시스템은 이전 요청이 이미 캐시에 기록한 가장 긴 접두사를 자동으로 찾습니다. 이 작동 방식을 이해하면 캐싱 전략을 최적화하는 데 도움이 됩니다.

세 가지 핵심 원칙:

1. 캐시 쓰기는 중단점에서만 발생합니다. 블록에 cache_control을 표시하면 정확히 하나의 캐시 항목, 즉 해당 블록에서 끝나는 접두사의 해시가 기록됩니다. 시스템은 그보다 앞선 위치에 대해서는 항목을 기록하지 않습니다. 해시는 중단점까지(해당 블록 포함) 모든 것을 포함하는 누적 방식이므로, 중단점 또는 그 이전의 어떤 블록이라도 변경하면 다음 요청에서 다른 해시가 생성됩니다.

2. 캐시 읽기는 이전 요청이 기록한 항목을 뒤로 거슬러 찾습니다. 각 요청에서 시스템은 중단점에서의 접두사 해시를 계산하고 일치하는 캐시 항목이 있는지 확인합니다. 없으면 한 블록씩 뒤로 이동하며, 각 이전 위치에서의 접두사 해시가 이미 캐시에 있는 것과 일치하는지 확인합니다. 이는 안정적인 콘텐츠가 아니라 이전의 쓰기를 찾는 것입니다.

3. 룩백 윈도우는 20블록입니다. 시스템은 중단점 자체를 첫 번째로 세어 중단점당 최대 20개 위치를 확인합니다. 해당 윈도우에서 일치하는 항목을 찾지 못하면 확인이 중단됩니다(또는 다음 명시적 중단점이 있다면 거기서 재개됩니다). Claude API에서는 연속된 tool_use 블록의 묶음이 하나의 위치로 계산되고, 연속된 tool_result 블록의 묶음도 마찬가지이므로, 병렬 도구 호출이 많은 턴이 그 자체로 이전 요청의 항목을 윈도우 밖으로 밀어내지는 않습니다.

예시: 길어지는 대화에서의 룩백

매 턴마다 새 블록을 추가하고 각 요청의 마지막 블록에 cache_control을 설정합니다:

• 턴 1: 10개 블록, 블록 10에 중단점. 이전 캐시 항목이 없습니다. 시스템은 블록 10에 항목을 기록합니다.
• 턴 2: 15개 블록, 블록 15에 중단점. 블록 15에는 항목이 없으므로 시스템은 블록 10까지 뒤로 이동하여 턴 1의 항목을 찾습니다. 블록 10에서 캐시 히트가 발생하며, 시스템은 블록 11부터 15까지만 새로 처리하고 블록 15에 새 항목을 기록합니다.
• 턴 3: 35개 블록, 블록 35에 중단점. 시스템은 20개 위치(블록 35부터 16까지)를 확인하고 아무것도 찾지 못합니다. 블록 15의 턴 2 항목은 윈도우에서 한 위치 벗어나 있으므로 캐시 히트가 없습니다. 블록 15에 두 번째 중단점을 추가하면 거기서 두 번째 룩백 윈도우가 시작되어 턴 2 항목을 찾습니다.

흔한 실수: 매 요청마다 변경되는 콘텐츠에 중단점 배치

프롬프트에 큰 정적 시스템 컨텍스트(블록 1부터 5)가 있고, 그 뒤에 타임스탬프와 사용자 메시지를 포함하는 요청별 블록(블록 6)이 있습니다. 블록 6에 cache_control을 설정합니다:

• 요청 1: 블록 6에서 캐시 쓰기. 해시에 타임스탬프가 포함됩니다.
• 요청 2: 타임스탬프가 다르므로 블록 6에서의 접두사 해시가 다릅니다. 룩백은 블록 5, 4, 3, 2, 1을 거치지만, 시스템은 그 어떤 위치에도 항목을 기록한 적이 없습니다. 캐시 히트가 없습니다. 매 요청마다 새로운 캐시 쓰기 비용을 지불하고 읽기는 전혀 발생하지 않습니다.

룩백은 중단점 뒤에 있는 안정적인 콘텐츠를 찾아 캐싱하지 않습니다. 이전 요청이 이미 기록한 항목을 찾을 뿐이며, 쓰기는 중단점에서만 발생합니다. cache_control을 요청 간에 동일하게 유지되는 마지막 블록인 블록 5로 옮기면, 이후 모든 요청이 캐싱된 접두사를 읽습니다. 자동 캐싱도 같은 함정에 빠집니다. 자동 캐싱은 마지막 캐시 가능 블록에 중단점을 배치하는데, 이 구조에서는 그것이 매 요청마다 변경되는 블록이므로, 대신 블록 5에 명시적 중단점을 사용하세요.

핵심 요점: 캐시를 공유하려는 요청들 간에 접두사가 동일한 마지막 블록에 cache_control을 배치하세요. 길어지는 대화에서는 각 턴이 20개 미만의 블록을 추가하는 한 마지막 블록이 잘 작동합니다. 이전 콘텐츠는 절대 변경되지 않으므로 다음 요청의 룩백이 이전 쓰기를 찾습니다. 가변 접미사(타임스탬프, 요청별 컨텍스트, 수신 메시지)가 있는 프롬프트의 경우, 가변 블록이 아니라 정적 접두사의 끝에 중단점을 배치하세요.

여러 중단점을 사용해야 하는 경우

다음과 같은 경우 최대 4개의 캐시 중단점을 정의할 수 있습니다:

• 서로 다른 빈도로 변경되는 여러 섹션을 캐싱하려는 경우(예: 도구는 거의 변경되지 않지만 컨텍스트는 매일 업데이트됨)
• 정확히 무엇이 캐싱되는지 더 세밀하게 제어하려는 경우
• 길어지는 대화가 중단점을 마지막 캐시 쓰기로부터 20블록 이상 밀어낼 때 캐시 히트를 보장하려는 경우

캐시 중단점 비용 이해하기

캐시 중단점 자체는 비용을 추가하지 않습니다. 다음에 대해서만 요금이 부과됩니다:

• 캐시 쓰기: 새 콘텐츠가 캐시에 기록될 때(5분 TTL의 경우 기본 입력 토큰보다 25% 더 높음)
• 캐시 읽기: 캐싱된 콘텐츠가 사용될 때(기본 입력 토큰 가격의 10%, Claude Fable 5.1 및 Claude Mythos 5.1에서는 2.5%)
• 일반 입력 토큰: 캐싱되지 않은 모든 콘텐츠

cache_control 중단점을 더 추가해도 비용이 증가하지 않습니다. 실제로 캐싱되고 읽힌 콘텐츠에 따라 동일한 금액을 지불합니다. 중단점은 어떤 섹션을 독립적으로 캐싱할 수 있는지 제어할 수 있게 해줍니다.

캐싱 전략 및 고려 사항

캐시 제한 사항

Claude API, Claude Platform on AWS, Google Cloud, Microsoft Foundry에서 캐시 가능한 최소 프롬프트 길이는 다음과 같습니다:

• Claude Fable 5.1, Claude Mythos 5.1, Claude Opus 5, Claude Fable 5, Claude Mythos 5의 경우 512 토큰
• Claude Mythos Preview 및 Claude Opus 4.7의 경우 2,048 토큰
• Claude Opus 4.6 및 Claude Opus 4.5의 경우 4,096 토큰
• Claude Opus 4.8, Claude Sonnet 5, Claude Sonnet 4.6, Claude Sonnet 4.5, Claude Opus 4.1(Bedrock 및 Google Cloud를 제외하고 종료됨), Claude Opus 4(Google Cloud를 제외하고 종료됨), Claude Sonnet 4(Bedrock 및 Google Cloud를 제외하고 종료됨)의 경우 1,024 토큰
• Claude Haiku 4.5의 경우 4,096 토큰
• Claude Haiku 3.5(Bedrock 및 Google Cloud를 제외하고 종료됨)의 경우 2,048 토큰

이러한 최소값은 각 모델이 제공되는 모든 플랫폼에 적용됩니다.

더 짧은 프롬프트는 cache_control로 표시되어 있더라도 캐싱할 수 없습니다. 이 토큰 수보다 적게 캐싱하려는 요청은 캐싱 없이 처리되며 오류가 반환되지 않습니다. 프롬프트가 캐싱되었는지 확인하려면 응답 usage 필드를 확인하세요. cache_creation_input_tokens와 cache_read_input_tokens가 모두 0이면 프롬프트가 캐싱되지 않은 것입니다(최소 길이 요구 사항을 충족하지 못했을 가능성이 높음).

프롬프트가 모델 및 플랫폼의 최소값에 약간 못 미치는 경우, 임계값에 도달하도록 캐싱 콘텐츠를 확장하는 것이 종종 가치가 있습니다. 캐시 읽기는 캐싱되지 않은 입력 토큰보다 훨씬 저렴하므로, 최소값에 도달하면 자주 재사용되는 프롬프트의 비용을 줄일 수 있습니다.

동시 요청의 경우, 캐시 항목은 첫 번째 응답이 시작된 후에만 사용 가능해진다는 점에 유의하세요. 병렬 요청에 대해 캐시 히트가 필요하다면, 후속 요청을 보내기 전에 첫 번째 응답을 기다리세요.

현재 "ephemeral"이 유일하게 지원되는 캐시 유형이며, 기본적으로 5분의 수명을 가집니다.

캐싱할 수 있는 것

요청의 대부분의 블록을 캐싱할 수 있습니다. 여기에는 다음이 포함됩니다:

• 도구: tools 배열의 도구 정의
• 시스템 메시지: system 배열의 콘텐츠 블록
• 텍스트 메시지: 사용자 및 어시스턴트 턴 모두에서 messages.content 배열의 콘텐츠 블록
• 이미지 및 문서: 사용자 턴에서 messages.content 배열의 콘텐츠 블록
• 도구 사용 및 도구 결과: 사용자 및 어시스턴트 턴 모두에서 messages.content 배열의 콘텐츠 블록

이러한 각 요소는 자동으로 또는 cache_control로 표시하여 캐싱할 수 있습니다.

캐싱할 수 없는 것

대부분의 요청 블록을 캐싱할 수 있지만 몇 가지 예외가 있습니다:

• Thinking 블록은 cache_control로 직접 캐싱할 수 없습니다. 그러나 thinking 블록은 이전 어시스턴트 턴에 나타날 때 다른 콘텐츠와 함께 캐싱될 수 있습니다. 이런 방식으로 캐싱되면 캐시에서 읽을 때 입력 토큰으로 계산됩니다.

• 하위 콘텐츠 블록(인용 등) 자체는 직접 캐싱할 수 없습니다. 대신 최상위 블록을 캐싱하세요.

  인용의 경우, 인용의 소스 자료 역할을 하는 최상위 문서 콘텐츠 블록을 캐싱할 수 있습니다. 이를 통해 인용이 참조할 문서를 캐싱함으로써 인용과 함께 프롬프트 캐싱을 효과적으로 사용할 수 있습니다.

• 빈 텍스트 블록은 캐싱할 수 없습니다.

캐시를 무효화하는 것

캐싱된 콘텐츠를 수정하면 캐시의 일부 또는 전체가 무효화될 수 있습니다.

프롬프트 구조화에서 설명한 대로, 캐시는 tools → system → messages 계층 구조를 따릅니다. 각 수준에서의 변경은 해당 수준과 모든 후속 수준을 무효화합니다.

다음 표는 다양한 유형의 변경으로 인해 캐시의 어떤 부분이 무효화되는지 보여줍니다. ✘는 캐시가 무효화됨을 나타내고, ✓는 캐시가 유효하게 유지됨을 나타냅니다.

캐시 성능 추적

응답의 usage 내(또는 스트리밍의 경우 message_start 이벤트)에 있는 다음 API 응답 필드를 사용하여 캐시 성능을 모니터링하세요:

• cache_creation_input_tokens: 새 항목을 생성할 때 캐시에 기록된 토큰 수.
• cache_read_input_tokens: 이 요청에 대해 캐시에서 가져온 토큰 수.
• input_tokens: 캐시에서 읽히지 않았거나 캐시 생성에 사용되지 않은 입력 토큰 수(즉, 마지막 캐시 중단점 이후의 토큰).

Thinking 블록과 함께 캐싱하기

Thinking을 프롬프트 캐싱과 함께 사용할 때, thinking 블록은 특별한 동작을 합니다:

다른 콘텐츠와 함께 자동 캐싱: Thinking 블록은 cache_control로 명시적으로 표시할 수 없지만, 도구 결과와 함께 후속 API 호출을 할 때 요청 콘텐츠의 일부로 캐싱됩니다. 이는 대화를 계속하기 위해 thinking 블록을 다시 전달하는 도구 사용 중에 흔히 발생합니다.

입력 토큰 계산: Thinking 블록이 캐시에서 읽힐 때, 사용량 지표에서 입력 토큰으로 계산됩니다. 이는 비용 계산 및 토큰 예산 책정에 중요합니다.

캐시 무효화 패턴:

• 도구 결과만 사용자 메시지로 제공될 때 캐시는 유효하게 유지됩니다
• Opus 4.5+ 및 Sonnet 4.6+에서는 도구 결과가 아닌 사용자 콘텐츠가 추가되어도 thinking 블록이 기본적으로 보존되므로 캐시가 유효하게 유지됩니다
• 이전 Opus/Sonnet 모델 및 모든 Haiku 모델에서는 도구 결과가 아닌 사용자 콘텐츠가 추가되면 캐시가 무효화되어 이전의 모든 thinking 블록이 컨텍스트에서 제거됩니다
• 이 캐싱 동작은 명시적 cache_control 마커가 없어도 발생합니다

캐시 무효화에 대한 자세한 내용은 캐시를 무효화하는 것을 참조하세요.

도구 사용 예시:

Request 1: User: "What's the weather in Paris?"
Response: [thinking_block_1] + [tool_use block 1]

Request 2:
User: ["What's the weather in Paris?"],
Assistant: [thinking_block_1] + [tool_use block 1],
User: [tool_result_1, cache=True]
Response: [thinking_block_2] + [text block 2]
# Request 2 caches its request content (not the response)
# The cache includes: user message, thinking_block_1, tool_use block 1, and tool_result_1

Request 3:
User: ["What's the weather in Paris?"],
Assistant: [thinking_block_1] + [tool_use block 1],
User: [tool_result_1, cache=True],
Assistant: [thinking_block_2] + [text block 2],
User: [Text response, cache=True]
# On earlier Opus/Sonnet and all Haiku models, non-tool-result user block causes prior thinking blocks to be stripped; on Opus 4.5+/Sonnet 4.6+ they are kept

이전 Opus/Sonnet 모델 및 모든 Haiku 모델에서는 이 시점에서 이전의 모든 thinking 블록이 컨텍스트에서 제거됩니다. Opus 4.5+ 및 Sonnet 4.6+에서는 이전 thinking 블록이 기본적으로 유지되며 캐싱된 접두사의 일부로 남습니다.

더 자세한 정보는 Thinking과 프롬프트 캐싱을 참조하세요.

캐시 저장 및 공유

• 조직 및 워크스페이스 격리: 캐시는 조직 간에 격리됩니다. 서로 다른 조직은 동일한 프롬프트를 사용하더라도 캐시를 공유하지 않습니다. Claude API, Claude Platform on AWS, Microsoft Foundry에서는 조직 내 워크스페이스별로도 캐시가 격리되며, Bedrock과 Google Cloud는 조직 수준 격리만 사용합니다.

• 정확한 일치: 캐시 히트는 cache control로 표시된 블록까지(해당 블록 포함) 모든 텍스트와 이미지를 포함하여 100% 동일한 프롬프트 세그먼트를 필요로 합니다.

• 출력 토큰 생성: 프롬프트 캐싱은 출력 토큰 생성에 영향을 미치지 않습니다. 받는 응답은 프롬프트 캐싱을 사용하지 않았을 때와 동일합니다.

효과적인 캐싱을 위한 모범 사례

프롬프트 캐싱 성능을 최적화하려면:

• 멀티턴 대화에는 자동 캐싱으로 시작하세요. 중단점 관리를 자동으로 처리합니다.
• 변경 빈도가 다른 여러 섹션을 캐싱해야 할 때는 명시적 블록 수준 중단점을 사용하세요.
• 시스템 지침, 배경 정보, 대규모 컨텍스트, 자주 사용하는 도구 정의와 같이 안정적이고 재사용 가능한 콘텐츠를 캐싱하세요.
• 최상의 성능을 위해 캐싱 콘텐츠를 프롬프트의 시작 부분에 배치하세요.
• 캐시 중단점을 전략적으로 사용하여 서로 다른 캐시 가능 접두사 섹션을 분리하세요.
• 요청 간에 동일하게 유지되는 마지막 블록에 중단점을 배치하세요. 정적 접두사와 가변 접미사(타임스탬프, 요청별 컨텍스트, 수신 메시지)가 있는 프롬프트의 경우, 가변 블록이 아니라 접두사의 끝이 그 위치입니다.
• 캐시 히트율을 정기적으로 분석하고 필요에 따라 전략을 조정하세요.

다양한 사용 사례에 맞게 최적화하기

시나리오에 맞게 프롬프트 캐싱 전략을 조정하세요:

• 대화형 에이전트: 특히 긴 지침이나 업로드된 문서가 있는 확장된 대화의 비용과 지연 시간을 줄입니다.
• 코딩 어시스턴트: 관련 섹션이나 코드베이스의 요약 버전을 프롬프트에 유지하여 자동 완성 및 코드베이스 Q&A를 개선합니다.
• 대용량 문서 처리: 응답 지연 시간을 늘리지 않고 이미지를 포함한 완전한 장문 자료를 프롬프트에 통합합니다.
• 상세한 지침 세트: 광범위한 지침, 절차, 예시 목록을 공유하여 Claude의 응답을 미세 조정합니다. 개발자들은 종종 프롬프트에 한두 개의 예시를 포함하지만, 프롬프트 캐싱을 사용하면 20개 이상의 다양한 고품질 답변 예시를 포함하여 훨씬 더 나은 성능을 얻을 수 있습니다.
• 에이전트 도구 사용: 각 단계가 일반적으로 새로운 API 호출을 필요로 하는 여러 도구 호출 및 반복적인 코드 변경이 포함된 시나리오의 성능을 향상시킵니다.
• 책, 논문, 문서, 팟캐스트 대본 및 기타 장문 콘텐츠와 대화하기: 전체 문서를 프롬프트에 포함하고 사용자가 질문할 수 있게 하여 모든 지식 베이스에 생명을 불어넣으세요.

일반적인 문제 해결

예상치 못한 동작이 발생하는 경우:

• 캐싱된 섹션이 호출 간에 동일한지 확인하세요. 명시적 중단점의 경우 cache_control 마커가 동일한 위치에 있는지 확인하세요
• 호출이 캐시 수명(기본 5분) 내에 이루어지는지 확인하세요
• tool_choice, 이미지 사용, thinking 구성, output_config.effort가 호출 간에 일관되게 유지되는지 확인하세요
• 모델 및 플랫폼에 대한 최소 토큰 수 이상을 캐싱하고 있는지 확인하세요(캐시 제한 사항 참조)
• 중단점이 요청 간에 동일하게 유지되는 블록에 있는지 확인하세요. 캐시 쓰기는 중단점에서만 발생하며, 해당 블록이 변경되면(타임스탬프, 요청별 컨텍스트, 수신 메시지) 접두사 해시가 절대 일치하지 않습니다. 룩백은 중단점 뒤의 안정적인 콘텐츠를 찾지 않으며, 이전 요청이 자체 중단점에서 기록한 항목만 찾습니다
• 일부 언어(예: Swift, Go)는 JSON 변환 중 키 순서를 무작위화하여 캐시를 깨뜨리므로, tool_use 콘텐츠 블록의 키가 안정적인 순서를 갖는지 확인하세요
• 캐시 진단을 사용하여 API가 연속된 요청을 비교하고 프롬프트의 어느 부분이 달라졌는지 보고하도록 하세요

1시간 캐시 기간

5분이 너무 짧다면, Anthropic은 추가 비용으로 1시간 캐시 기간도 제공합니다.

확장 캐시를 사용하려면 다음과 같이 cache_control 정의에 ttl을 포함하세요:

"cache_control": {
  "type": "ephemeral",
  "ttl": "1h"
}

응답에는 다음과 같은 상세한 캐시 정보가 포함됩니다:

{
  "usage": {
    "input_tokens": 2048,
    "cache_read_input_tokens": 1800,
    "cache_creation_input_tokens": 248,
    "output_tokens": 503,

    "cache_creation": {
      "ephemeral_5m_input_tokens": 148,
      "ephemeral_1h_input_tokens": 100
    }
  }
}

현재 cache_creation_input_tokens 필드는 cache_creation 객체의 값들의 합과 같다는 점에 유의하세요.

웹 검색과 같은 서버 도구를 사용하는 동안 요청하지 않은 ephemeral_5m_input_tokens 쓰기가 보인다면, 프롬프트 캐싱과 함께 도구 사용을 참조하세요.

1시간 캐시를 사용해야 하는 경우

정기적인 주기로 사용되는 프롬프트(즉, 5분보다 더 자주 사용되는 시스템 프롬프트)가 있다면, 추가 비용 없이 계속 갱신되므로 5분 캐시를 계속 사용하세요.

1시간 캐시는 다음 시나리오에서 가장 적합합니다:

• 5분보다는 덜 자주, 하지만 1시간보다는 더 자주 사용될 가능성이 있는 프롬프트가 있는 경우. 예를 들어, 에이전트의 사이드 에이전트가 5분 이상 걸리는 경우, 또는 사용자와의 긴 채팅 대화를 저장하면서 일반적으로 해당 사용자가 다음 5분 내에 응답하지 않을 것으로 예상되는 경우.
• 지연 시간이 중요하고 후속 프롬프트가 5분 이후에 전송될 수 있는 경우.
• 캐시 히트는 속도 제한에서 차감되지 않으므로 속도 제한 활용도를 개선하려는 경우.

서로 다른 TTL 혼합하기

동일한 요청에서 1시간 및 5분 cache control을 모두 사용할 수 있지만, 중요한 제약이 있습니다. 더 긴 TTL의 캐시 항목이 더 짧은 TTL보다 앞에 나타나야 합니다(즉, 1시간 캐시 항목은 모든 5분 캐시 항목보다 앞에 나타나야 합니다).

TTL을 혼합할 때, API는 프롬프트에서 세 개의 청구 위치를 결정합니다:

1. 위치 A: 가장 높은 캐시 히트에서의 토큰 수(히트가 없으면 0).
2. 위치 B: A 이후 가장 높은 1시간 cache_control 블록에서의 토큰 수(없으면 A와 같음).
3. 위치 C: 마지막 cache_control 블록에서의 토큰 수.

다음에 대해 요금이 부과됩니다:

1. A에 대한 캐시 읽기 토큰.
2. (B - A)에 대한 1시간 캐시 쓰기 토큰.
3. (C - B)에 대한 5분 캐시 쓰기 토큰.

다음은 세 가지 예시입니다. 이는 각각 서로 다른 캐시 히트와 캐시 미스를 가진 3개 요청의 입력 토큰을 나타냅니다. 그 결과 각각은 색상 상자에 표시된 대로 서로 다르게 계산된 가격을 가집니다.

캐시 사전 워밍

"Cache pre-warming"(캐시 사전 워밍)을 사용하면 사용자가 실제 요청을 트리거하기 전에 시스템 프롬프트나 도구 정의를 프롬프트 캐시에 미리 로드할 수 있습니다. 이를 통해 첫 번째 사용자 상호작용에서 발생하는 캐시 미스 지연 시간 페널티를 제거하여, 지연 시간에 민감한 애플리케이션의 "time-to-first-token"(첫 토큰까지의 시간), 즉 TTFT를 줄일 수 있습니다.

작동 방식

요청에 max_tokens: 0을 설정하세요. API는 프롬프트를 모델로 읽어 들이고 모든 cache_control 중단점에서 캐시를 기록한 다음, 어떠한 출력도 생성하지 않고 즉시 반환합니다. 응답에는 빈 content 배열, stop_reason: "max_tokens", 그리고 완전히 채워진 usage 블록이 포함됩니다.

cache_control 중단점은 플레이스홀더 사용자 메시지가 아니라 후속 요청과 공유되는 마지막 블록(일반적으로 시스템 프롬프트 또는 도구 정의)에 배치하세요. 그렇지 않으면 캐시 항목이 플레이스홀더를 키로 하여 생성되므로 후속 요청이 이를 적중하지 못합니다. 또한 후속 요청과 동일한 사고 구성 및 output_config.effort를 사용하세요. 이 값들은 프롬프트에 렌더링되므로(캐시를 무효화하는 요소 참조), 다른 구성으로 사전 워밍을 수행하면 실제 트래픽이 절대 적중하지 않는 항목을 기록할 수 있습니다. 이는 자동 캐싱이 아닌 명시적 캐시 중단점을 사용해야 함을 의미합니다. 자동 캐싱은 마지막 블록에 중단점을 배치하는데, 여기서는 그 마지막 블록이 플레이스홀더이기 때문입니다. 플레이스홀더 사용자 메시지는 공백이 아닌 내용을 포함하는 임의의 문자열이면 됩니다(여기 예제에서는 "warmup"을 사용합니다). 그 내용은 모델로 읽어 들여지지만 응답되지는 않습니다.

client = anthropic.Anthropic()

# 사용자가 도착하기 전에 이를 실행하여 공유 시스템 프롬프트 캐시를 미리 준비합니다.
prewarm = client.messages.create(
    model="claude-opus-5",
    max_tokens=0,
    system=[
        {
            "type": "text",
            "text": "You are an expert software engineer with deep knowledge of distributed systems...",
            "cache_control": {"type": "ephemeral"},
        }
    ],
    messages=[{"role": "user", "content": "warmup"}],
)
print(prewarm.stop_reason)  # "max_tokens"
print(prewarm.content)  # []
print(prewarm.usage)

API는 빈 content 배열을 반환합니다:

{
  "id": "msg_01XFDUDYJgAACzvnptvVoYEL",
  "type": "message",
  "role": "assistant",
  "content": [],
  "model": "claude-opus-5",
  "stop_reason": "max_tokens",
  "stop_sequence": null,
  "usage": {
    "input_tokens": 8,
    "cache_creation_input_tokens": 5120,
    "cache_read_input_tokens": 0,
    "cache_creation": {
      "ephemeral_5m_input_tokens": 5120,
      "ephemeral_1h_input_tokens": 0
    },
    "iterations": [
      {
        "input_tokens": 8,
        "output_tokens": 0,
        "cache_read_input_tokens": 0,
        "cache_creation_input_tokens": 5120,
        "cache_creation": {
          "ephemeral_5m_input_tokens": 5120,
          "ephemeral_1h_input_tokens": 0
        },
        "type": "message"
      }
    ],
    "output_tokens": 0,
    "service_tier": "standard",
    "inference_geo": "global"
  }
}

일반적인 사용 패턴

애플리케이션이 시작될 때(또는 예약된 간격으로) 사전 워밍 요청을 보내고, 사전 워밍이 완료된 후 실제 사용자 요청을 보내세요:

client = anthropic.Anthropic()

SYSTEM_PROMPT = [
    {
        "type": "text",
        "text": "You are an expert software engineer with deep knowledge of distributed systems...",
        "cache_control": {"type": "ephemeral"},
    }
]


def prewarm_cache() -> None:
    """Call this at application startup or on a scheduled interval."""
    client.messages.create(
        model="claude-opus-5",
        max_tokens=0,
        system=SYSTEM_PROMPT,
        messages=[{"role": "user", "content": "warmup"}],
    )


def respond(user_message: str) -> anthropic.types.Message:
    """The real user request; benefits from a warm cache."""
    return client.messages.create(
        model="claude-opus-5",
        max_tokens=1024,
        system=SYSTEM_PROMPT,
        messages=[{"role": "user", "content": user_message}],
    )


# 사용자 트래픽이 도착하기 전에 캐시를 미리 워밍합니다.
prewarm_cache()

# 이후 사용자가 메시지를 제출할 때 시스템 프롬프트 접두사는 이미 캐시되어 있습니다.
response = respond("How do I implement a binary search tree?")
for block in response.content:
    if block.type == "text":
        print(block.text)

캐시 TTL은 여전히 적용된다는 점을 유의하세요. 기본 5분 캐시의 경우, 캐시를 워밍 상태로 유지하려면 최소 5분마다 새로운 사전 워밍 요청을 보내세요. 사용자 요청 간 간격이 더 긴 경우에는 대신 1시간 캐시 지속 시간을 사용하세요.

제한 사항

max_tokens: 0 요청은 다음 중 하나라도 설정되어 있으면 invalid_request_error로 거부됩니다. 각각은 토큰 예산이 0일 때 생성할 수 없는 출력을 암시하기 때문입니다:

• stream: true
• 확장 사고 (thinking.type: "enabled")
• 구조화된 출력 (output_config.format)
• {"type": "tool", ...} 또는 {"type": "any"}의 tool_choice

max_tokens: 0은 Message Batches 요청 내에서도 거부됩니다. 사전 워밍은 첫 토큰까지의 시간을 대상으로 하는데, 이는 배치 처리에는 적용되지 않으며, 배치 처리 중에 기록된 캐시 항목은 후속 요청이 실행되기 전에 만료될 가능성이 높습니다.

max_tokens=1 우회 방법 대체하기

max_tokens: 0을 사용할 수 있기 전에는 일부 애플리케이션이 동일한 효과를 얻기 위해 max_tokens: 1 워밍업 호출을 사용했습니다. max_tokens: 0 방식이 권장됩니다. 출력이 생성되지 않으므로 버려야 할 단일 토큰 응답이 없고, 출력 토큰이 청구되지 않으며, 요청의 의도가 명확합니다.

프롬프트 캐싱 예제

프롬프트 캐싱을 시작하는 데 도움이 되도록 프롬프트 캐싱 쿡북에서 자세한 예제와 모범 사례를 제공합니다.

다음 코드 스니펫은 다양한 프롬프트 캐싱 패턴을 보여줍니다. 이 예제들은 다양한 시나리오에서 캐싱을 구현하는 방법을 보여주어 이 기능의 실제 적용을 이해하는 데 도움을 줍니다:

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "You are an AI assistant tasked with analyzing legal documents.",
        },
        {
            "type": "text",
            "text": "Here is the full text of a complex legal agreement: [Insert full text of a 50-page legal agreement here]",
            "cache_control": {"type": "ephemeral"},
        },
    ],
    messages=[
        {
            "role": "user",
            "content": "What are the key terms and conditions in this agreement?",
        }
    ],
)
print(response.usage.model_dump_json())

{
  "model": "claude-opus-5",
  "max_tokens": 1024,
  "tools": [
    {
      "name": "get_weather",
      "description": "Get the current weather in a given location",
      "input_schema": {
        "type": "object",
        "properties": { "location": { "type": "string" } },
        "required": ["location"]
      }
    },
    {
      "name": "get_time",
      "description": "Get the current time in a given time zone",
      "input_schema": {
        "type": "object",
        "properties": { "timezone": { "type": "string" } },
        "required": ["timezone"]
      },
      "cache_control": { "type": "ephemeral" }
    }
  ],
  "messages": [{ "role": "user", "content": "What is the weather and time in New York?" }]
}

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "...long system prompt",
            "cache_control": {"type": "ephemeral"},
        }
    ],
    messages=[
        # ...지금까지의 긴 대화
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Hello, can you tell me more about the solar system?",
                }
            ],
        },
        {
            "role": "assistant",
            "content": "Certainly! The solar system is the collection of celestial bodies that orbit our Sun. It consists of eight planets, numerous moons, asteroids, comets, and other objects. The planets, in order from closest to farthest from the Sun, are: Mercury, Venus, Earth, Mars, Jupiter, Saturn, Uranus, and Neptune. Each planet has its own unique characteristics and features. Is there a specific aspect of the solar system you'd like to know more about?",
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Good to know."},
                {
                    "type": "text",
                    "text": "Tell me more about Mars.",
                    "cache_control": {"type": "ephemeral"},
                },
            ],
        },
    ],
)
print(response.usage.model_dump_json())

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    tools=[
        {
            "name": "search_documents",
            "description": "Search through the knowledge base",
            "input_schema": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "Search query"}
                },
                "required": ["query"],
            },
        },
        {
            "name": "get_document",
            "description": "Retrieve a specific document by ID",
            "input_schema": {
                "type": "object",
                "properties": {
                    "doc_id": {"type": "string", "description": "Document ID"}
                },
                "required": ["doc_id"],
            },
            "cache_control": {"type": "ephemeral"},
        },
    ],
    system=[
        {
            "type": "text",
            "text": "You are a helpful research assistant with access to a document knowledge base.\n\n# Instructions\n- Always search for relevant documents before answering\n- Provide citations for your sources\n- Be objective and accurate in your responses\n- If multiple documents contain relevant information, synthesize them\n- Acknowledge when information is not available in the knowledge base",
            "cache_control": {"type": "ephemeral"},
        },
        {
            "type": "text",
            "text": "# Knowledge Base Context\n\nHere are the relevant documents for this conversation:\n\n## Document 1: Solar System Overview\nThe solar system consists of the Sun and all objects that orbit it...\n\n## Document 2: Planetary Characteristics\nEach planet has unique features. Mercury is the smallest planet...\n\n## Document 3: Mars Exploration\nMars has been a target of exploration for decades...\n\n[Additional documents...]",
            "cache_control": {"type": "ephemeral"},
        },
    ],
    messages=[
        {
            "role": "user",
            "content": "Can you search for information about Mars rovers?",
        },
        {
            "role": "assistant",
            "content": [
                {
                    "type": "tool_use",
                    "id": "tool_1",
                    "name": "search_documents",
                    "input": {"query": "Mars rovers"},
                }
            ],
        },
        {
            "role": "user",
            "content": [
                {
                    "type": "tool_result",
                    "tool_use_id": "tool_1",
                    "content": "Found 3 relevant documents: Document 3 (Mars Exploration), Document 7 (Rover Technology), Document 9 (Mission History)",
                }
            ],
        },
        {
            "role": "assistant",
            "content": [
                {
                    "type": "text",
                    "text": "I found 3 relevant documents about Mars rovers. Let me get more details from the Mars Exploration document.",
                }
            ],
        },
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Yes, please tell me about the Perseverance rover specifically.",
                    "cache_control": {"type": "ephemeral"},
                }
            ],
        },
    ],
)
print(response.usage.model_dump_json())

데이터 보존

프롬프트 캐싱(자동 및 명시적 모두)은 ZDR 적격입니다. Anthropic은 프롬프트의 원시 텍스트나 Claude의 응답을 저장하지 않습니다.

KV(key-value) 캐시 표현과 캐시된 콘텐츠의 암호화 해시는 메모리에만 보관되며 저장 상태로 보존되지 않습니다. 캐시된 항목은 최소 5분(표준) 또는 1시간(확장)의 수명을 가지며, 그 이후에는 즉시는 아니지만 신속하게 삭제됩니다. 캐시 항목은 조직 간에 격리되며, Claude API, Claude Platform on AWS, Microsoft Foundry에서는 조직 내 워크스페이스 간에도 격리됩니다.

모든 기능에 대한 ZDR 적격성은 API 및 데이터 보존을 참조하세요.

FAQ

total_input_tokens = cache_read_input_tokens + cache_creation_input_tokens + input_tokens

client.beta.prompt_caching.messages.create(**params)

client.messages.create(**params)

client.beta.promptCaching.messages.create(/* ... */);

client.messages.create(/* ... */);