概要

在处理大规模语言模型（LLMs）时，频繁的API调用不仅耗费时间和金钱，还可能导致不必要的延迟。为了解决这个问题，LangChain 提供了一种缓存机制，通过存储先前请求的结果来避免重复调用相同的API。本文将详细介绍 LangChain 的缓存机制及其使用方法。

缓存的重要性
缓存对于提高应用程序的性能和减少成本有着重要的意义：

节省资金：如果您的应用程序频繁请求相同的完成结果，缓存可以帮助减少对LLM提供商的API调用次数，从而节省资金。
加速应用：通过减少API调用次数，缓存还可以加快应用程序的响应速度，提升用户体验。

整体架构流程

启用缓存
启用LangChain的缓存功能非常简单，只需几行代码即可完成。下面我们将通过具体的例子来展示如何启用内存缓存。

首先，我们需要初始化一个ChatOpenAI实例，这将是我们的LLM客户端：

然后，我们可以尝试不使用缓存的情况下调用一次：

python"># 初始化客户端
from langchain_community.llms.ollama import Ollamaollama_client = Ollama(model="qwen:7b")ollama_client.invoke("请问2只兔子有多少条腿？")

接下来，我们将启用内存缓存：

python">from langchain.globals import set_llm_cache
from langchain.cache import InMemoryCacheset_llm_cache(InMemoryCache())

然后创建一个请求链

python">from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template("请根据下面的主题写一篇小红书营销的短文： {topic}")
output_parser = StrOutputParser()chain = prompt | ollama_client | output_parser

首次调用请求链

python">chain.invoke({"topic": "康师傅绿茶"})

次调用相同的主题，这次应该从缓存中获取结果：

python">chain.invoke({"topic": "康师傅绿茶"})

可以看到，第二次调用的速度更快，因为它直接从缓存中读取了结果。

SQLite 缓存

除了内存缓存之外，LangChain 还支持使用 SQLite 数据库存储缓存。SQLite 是一种轻量级的数据库，非常适合用于缓存数据，特别是当需要持久化存储时。

启用 SQLite 缓存
启用 SQLite 缓存的步骤与内存缓存类似，只需更改缓存的类型即可：

python">from langchain.cache import SQLiteCacheset_llm_cache(SQLiteCache(database_path="./db/langchain.db"))

现在，我们可以使用 SQLite 缓存来处理一个新的请求：

python">chain.invoke({"topic": "旺仔小馒头"})

再次调用相同的主题，这次也应该从缓存中获取结果：

python">chain.invoke({"topic": "旺仔小馒头"})

小结

通过启用LangChain的缓存功能，您可以显著减少对LLM提供商的API调用次数，从而节省成本并提高应用程序的响应速度。本文介绍了如何使用内存缓存和SQLite缓存两种方式来实现这一目标。希望这篇博客能够帮助您更好地理解和应用LangChain的缓存机制。