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：
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。
