𝐗𝐀𝐈

为什么 Codex Cache 看起来降低了，以及为什么我们现在更推荐 WS 配置

Posted April 4, 2026 by XAI 技术团队 ‐ 13 min read

最近一段时间，如果你在用 Codex through api.xairouter.com，可能会注意到一个现象：

某些链路上的 cache 命中看起来没有以前那么“夸张”了。

这不是错觉，而且这次变化是有意为之。

我们这篇文章想说明四件事：

  1. 为什么你看到的 cache 会降低。
  2. 为什么旧的“高 cache”方案本质上改了请求语义。
  3. 为什么现在的方案虽然更克制，却更适合生产。
  4. 为什么我们更推荐使用原生 Responses WebSocket 配置来获得超高 cache。

OpenAI 官方 Prompt Caching 101

在继续讨论 XAI Router / Codex-Cloud 之前，先把 OpenAI 官方 Prompt Caching 文档中的几个关键点说清楚。

根据官方文档，Prompt Caching 的核心不是“记住上一次回答”，而是：

  • 对完全相同的 prompt 前缀做复用
  • 静态内容越靠前，越容易命中
  • 动态内容越靠后，越不容易破坏命中
  • prompt_cache_key 会和前缀 hash 一起帮助请求更稳定地路由到更可能已有缓存的机器

官方还明确给出了几条非常重要的工程结论：

  1. 对于较长请求，Prompt Caching 可能显著降低延迟与输入 token 成本。
  2. 最佳实践是把稳定内容放前面，把用户动态内容放后面。
  3. prompt_cache_key 要稳定使用，但粒度不能过粗；如果某个固定前缀与同一个 key 在每分钟内过热，缓存效果反而可能下降。
  4. Prompt cache 不会改变输出语义；缓存的是 prompt 预填充，不是把上一次回答直接抄回来。
  5. Prompt cache 不会跨组织共享；即使 prompt 一样，跨组织也不会共用缓存。

下面这张图来自 OpenAI 官方 Prompt Caching 文档，可以直接帮助理解“前缀一致时 hit，不一致时 miss”的核心机制：

OpenAI Prompt Caching 可视化：相同前缀命中，不同前缀 miss

图源：OpenAI Prompt Caching Guide https://developers.openai.com/api/docs/guides/prompt-caching

把这套官方语义理解清楚之后，后面你就会更容易明白：

  • 为什么“高 cache”不能靠隐式续链去换
  • 为什么我们更强调稳定前缀与稳定路由
  • 为什么原生 Responses WebSocket 更容易拿到超高 cache

先说结论

我们最近做的不是“关掉 cache”，而是把一类危险的隐式续链去掉了。

以前某些高 cache 路径的核心思路是：

  • 让 prompt_cache_key 尽量稳定
  • 再把它隐式升级成 session_id / conversation_id 一类的会话身份

这样做确实可能带来更高的 continuation / cache 命中，但代价也很明确：

  • 这次提问有可能延续了上一次语义
  • HTTP 请求会在用户不知情的情况下变成“隐式续链请求”
  • 最终表现就是用户感知上的：
    • “问这次，回上次”
    • “明明是新问题，却像还在老会话里”

所以最近的收敛并不是“把 cache 做差了”，而是把：

cache key -> 会话身份

这条危险耦合链切断了。

为什么以前的 cache 看起来更高

因为以前那套方案吃到的，不只是 Prompt Caching。

它实际上混合了两种收益：

  1. 真正的 Prompt Cache 命中
  2. 隐式会话连续性带来的上下文复用

对于用户来说，表面上看到的是：

  • 重复前缀好像更容易命中
  • 同一个任务好像更容易继续

但对系统来说，这其实是在做一件更危险的事：

把原本独立的请求偷偷改成了持续中的同一会话。

这就是为什么我们后来确认：

最早那种“高 cache”方案，本质上不可避免地更改了请求语义。

它不是纯 cache 优化，而是通过隐式续链把“cache 收益”和“会话污染风险”绑在了一起。

最近到底改了什么

1. WS 收敛为显式会话

在 WebSocket 路径上，我们已经收敛成：

  • 只认显式 session_id
  • 只认显式 conversation_id
  • 不再从 prompt_cache_key 派生 WS 会话身份
  • 不再传播内部 sticky 头作为上游会话身份

这意味着：

  • WS 仍然可以拿到很高的 cache
  • 但不会再因为隐藏会话升级而更容易串语义

2. HTTP 中 prompt_cache_key 只做 cache hint

在 HTTP 路径上，现在的规则是：

  • prompt_cache_key 仍然保留在 payload 中
  • transformed 路径仍然可以自动补更稳定的 compat prompt_cache_key
  • 但它不再被隐式升级成上游 session_id / conversation_id

也就是说：

  • 你还能继续吃 Prompt Caching
  • 但不会再把“缓存键”误当成“会话键”

3. XAI Router 的 sticky 只做本地账号亲和

现在的 sticky 也已经收敛成：

  • 有 sessionHash 才 sticky
  • 同一个 sessionHash 会稳定落到同一个 upstream key/account
  • 没有 sessionHash 的请求继续走普通 round-robin
  • sticky 不再外传到上游

所以现在本地 sticky 的职责很清楚：

帮助相似请求尽量落到同一账号，提升 cache locality。

而不是：

偷偷把不同请求变成同一个上游会话。

为什么最近你会感觉 cache 下降

因为我们主动放弃了一部分“靠隐式续链换来的命中”。

这部分命中以前看起来很漂亮，但问题在于：

  • 它不够纯粹
  • 它不够安全
  • 它不够可解释

现在你看到的下降，主要下降的是：

  • continuation 带来的表面命中

而不是：

  • 真正意义上的 prompt prefix cache 能力

如果你的客户端继续：

  • 保持稳定 prompt_cache_key
  • 保持稳定前缀
  • 尽量走原生 Responses / WS 路径

那你依然可以拿到非常高的 cache。

为什么我们更推荐原生 WS 配置

如果目标是：

  • 超高 cache
  • 低语义污染
  • 高吞吐
  • 长任务更稳

那么我们当前最推荐的路线，不是“重新打开隐式续链”，而是：

直接使用原生 Responses WebSocket 模式。

原因很简单。

1. WS 天然更适合保持会话连续性

WebSocket 本来就是长连接：

  • 同一个任务在同一连接内持续进行
  • 上下文连续性是显式、自然、可解释的
  • 不需要拿 prompt_cache_key 去冒充会话身份

2. WS 内部前缀更稳定

在同一条原生 Responses WS 连接里：

  • model 不会频繁变化
  • instructions 更稳定
  • tool schema 更稳定
  • 会话上下文天然集中

这正是 Prompt Caching 最喜欢的环境。

3. 可以拿到很高 cache，但不容易串会话

我们最近的方向不是“拒绝高 cache”，而是：

用正确的协议路径拿到高 cache。

而 WS 就是当前最适合的路径。

推荐基线配置

如果你希望在 Codex 中优先使用原生 Responses WebSocket，并尽量获得超高 cache，我们推荐下面这份基线配置：

将下面内容保存到：

~/.codex/config.toml

如果你已经有自己的 Codex 配置，也可以只把相关字段合并进去，而不是整份覆盖。

model_provider = "xai"
model = "gpt-5.4"
model_reasoning_effort = "xhigh"
plan_mode_reasoning_effort = "xhigh"
model_reasoning_summary = "none"
model_verbosity = "medium"
model_context_window = 1050000
model_auto_compact_token_limit = 945000
tool_output_token_limit = 6000
approval_policy = "never"
sandbox_mode = "danger-full-access"
suppress_unstable_features_warning = true
cache_ttl = "30m"

[model_providers.xai]
name = "OpenAI"
base_url = "https://api.xairouter.com"
wire_api = "responses"
requires_openai_auth = false
env_key = "XAI_API_KEY"
supports_websockets = true

[features]
responses_websockets_v2 = true
multi_agent = true

[agents]
max_threads = 4
max_depth = 1
job_max_runtime_seconds = 1800

为什么这份 WS 配置更容易拿到超高 cache

1. wire_api = "responses"

这意味着请求走的是原生 Responses 语义，而不是再经由额外桥接层包装成其他格式。

对 cache 来说，路径越原生，前缀越稳定。

2. supports_websockets = true

允许客户端直接走原生 Responses WebSocket，而不是每一轮都重建 HTTP 上下文。

3. responses_websockets_v2 = true

这是当前更推荐的 Responses WebSocket 工作方式。

它的核心价值不是“花哨”，而是：

  • 更接近官方语义
  • 更适合多轮任务链
  • 更容易维持前缀稳定

4. model = "gpt-5.4"

这是当前我们最推荐的高质量基线模型之一，同时也已经纳入自动 compat cache key 优化范围。

5. 大上下文 + 较高 compaction 阈值

model_context_window = 1050000
model_auto_compact_token_limit = 945000

这意味着：

  • 在任务还没必要 compact 之前，尽量保留完整稳定前缀
  • 让长任务在高 cache 条件下继续工作

如果阈值太低，前缀会更早被压缩，cache 稳定性反而更容易下降。

6. cache_ttl = "30m"

这是客户端侧很实用的工程参数，适合作为高 cache 基线的一部分。

它不是“替代上游 Prompt Caching”，而是和上游 cache 配合，让工作流更稳定。

最适合这份配置的使用方式

这份配置最适合：

  1. 长时间连续编码任务
  2. 同一仓库内的多轮迭代
  3. 工具定义和 instructions 相对稳定的任务
  4. 希望 cache 很高，但又不希望系统偷偷改会话语义的用户

简单说：

它适合“同一任务长时间深入”，不适合“故意让多个不同任务共享隐式上下文”。

如果你确实更在意 cache，而不是严格语义

我们不建议重新打开旧的隐式续链方案。

原因很明确：

  • 它确实可能让 cache 更高
  • 但它也不可避免地更改了请求语义
  • 这会让“问这次，回上次”重新成为真实风险

所以当前更合理的建议是：

  • 想要超高 cache：走原生 Responses WS
  • 想要显式续链：明确传 session_id / conversation_id / previous_response_id
  • 想要安全稳定：不要再依赖隐式升级

最后的总结

最近 cache 看起来降低，不是因为我们把系统做差了，而是因为我们主动去掉了“通过隐式续链换来的那部分命中”。

现在的策略更清晰：

  • prompt_cache_key 负责 cache
  • session_id / conversation_id / previous_response_id 负责显式续链
  • xai 的本地 sticky 只负责账号亲和
  • WebSocket 是当前最容易拿到超高 cache 且不改语义的路径

如果你希望：

  • cache 足够高
  • 性能足够好
  • 语义又足够干净

那么当前最推荐的答案不是回退到最早的隐式高 cache 方案，而是：

直接使用原生 Responses WebSocket 配置。