Gemini Context Caching คืออะไร ใช้เอกสารเดิมถามหลายครั้งแล้วลดต้นทุนได้เมื่อไร
แชตบอตที่ต้องอ่านคู่มือเล่มเดิมทุกครั้งอาจส่งข้อมูลซ้ำเป็นจำนวนมาก คำถามคือจะลดงานซ้ำได้หรือไม่โดยไม่ทำให้ AI ใช้ข้อมูลผิดฉบับ? Context Caching เป็นหนึ่งในกลไกที่ควรเข้าใจก่อนออกแบบระบบ

Caching ช่วยลดต้นทุนเมื่อคำขอใช้ส่วนต้นเดิมซ้ำ
Context Caching คือการนำข้อมูลบริบทที่ใช้ซ้ำ เช่น คำสั่งระบบหรือเอกสารชุดเดิม กลับมาใช้ในการประมวลผลคำขอถัดไป แทนการคิดงานส่วนเดิมในลักษณะเดียวกับอินพุตใหม่ทุกครั้ง แต่ ไม่ใช่การรับประกันว่าโมเดลจำทุกอย่างได้ถูกต้อง และไม่ได้เพิ่มขนาด context window
เอกสาร Gemini Context caching แยกการทำงานเป็น implicit caching ที่ระบบพยายามจับข้อมูลส่วนต้นซ้ำให้อัตโนมัติ กับ explicit caching ที่ผู้พัฒนาสร้างวัตถุ cache สำหรับรุ่นและ API ที่รองรับ
ตรวจว่าโมเดลและ API รองรับ caching แบบใด
| ประเด็น | Implicit | Explicit |
|---|---|---|
| วิธีเริ่ม | ระบบตรวจส่วนต้นที่ซ้ำเอง | ผู้พัฒนาสร้าง cache object |
| การคาดหวัง cache hit | ไม่รับประกันทุกคำขอ | อ้างอิง cache ที่สร้างไว้ตามเงื่อนไข |
| ข้อจำกัด | มีเงื่อนไขรุ่นและจำนวน token ขั้นต่ำ | ขึ้นกับ API/รุ่นที่รองรับ และอาจมีค่าเก็บข้อมูลตามเวลา |
ตามเอกสารที่ตรวจวันที่ 29 ตุลาคม 2569 Interactions API รองรับเฉพาะ implicit caching และ explicit caching ไม่รองรับ Gemini 4 Argon เป็นต้นไป หากต้องการ explicit caching กับรุ่นที่ยังรองรับ เอกสารแนะนำ generateContent API จึงต้องตรวจทั้งชื่อโมเดลและ endpoint ก่อนออกแบบระบบ ไม่ใช้คำว่า “Gemini รองรับ caching” แบบเหมารวม
หน้า Gemini API pricing ที่ตรวจวันที่ 15 ตุลาคม 2569 ระบุ Context caching ในภาพรวมระดับ Paid แต่ตารางบางรุ่นและระดับบริการแสดง cached input ใน Free ด้วย จึงต้องตรวจแถวของรุ่นและระดับบริการที่ใช้จริง ไม่เหมารวมว่าการ cache ทุกแบบฟรีหรือจำเป็นต้องจ่ายเงินทั้งหมด
สำหรับ Gemini 4 (Argon เป็นต้นไป) เอกสารระบุเพิ่มเติมว่าในงานหลายรอบหรือ agent loop ระบบจะ cache คำขอก่อนหน้าทั้งหมดเมื่อรอบใหม่เพิ่มอย่างน้อย 2,050 tokens โดยรวมข้อความตอบ การคิด และผลฟังก์ชัน หากเพิ่มน้อยกว่านี้ ส่วนท้าย 2,050 tokens ของคำขอก่อนหน้าจะถูกประมวลผลใหม่ด้วยอัตรา input ปกติ เงื่อนไขนี้เป็นอีกเหตุผลที่ไม่ควรนำตัวอย่าง 19 cache hits ด้านล่างไปใช้รับประกันค่าใช้จ่าย
ตัวอย่างสมมติ: คู่มือ 10,000 โทเค็นกับคำถาม 20 ข้อ
สมมติแอปต้องส่งคู่มือขนาด 10,000 input tokens ทุกครั้งเพื่อถาม 20 ข้อ และยังไม่คิด token ของคำถามหรือคำตอบ หากไม่มีส่วนใดถูกคิดเป็น cached input จะมีบริบทซ้ำรวม 10,000 × 20 = 200,000 input tokens
สมมติอีกสถานการณ์เพื่อให้เห็นวิธีคิด: คำขอแรก 10,000 token เป็นอินพุตปกติ ส่วน 19 คำขอหลังมีส่วนเดิมที่ระบบนับเป็น cached tokens ทั้งหมด จะได้ 190,000 cached tokens และ 10,000 normal input tokens เฉพาะส่วนคู่มือเท่านั้น
สูตรคิดต้นทุนโดยไม่สมมติราคา: (normal tokens ÷ 1,000,000 × ราคา input ปกติ) + (cached tokens ÷ 1,000,000 × ราคา cached input) + ค่าเก็บ cache (ถ้ามี) + ค่า output และบริการอื่น ตัวเลขสมมติข้างต้นไม่ได้หมายความว่า implicit cache จะ hit ครบ 19 ครั้ง และไม่รวม token ของคำถามหรือการเรียกเครื่องมือเสริม ดูอัตราปัจจุบันที่ หน้า Pricing
การตัดสินใจควรเทียบต้นทุนรวมของงานเดียวกันและคุณภาพคำตอบระดับเดียวกัน หากค่าเก็บ cache เพิ่มตามเวลาที่เปิดทิ้งไว้ การใช้เอกสารซ้ำเพียงสองครั้งอาจไม่คุ้มเท่าการถามต่อเนื่องหลายครั้ง ขณะที่ implicit caching ไม่ควรถูกใช้เป็นเงื่อนไขรับประกันงบประมาณ เพราะแต่ละคำขออาจ hit หรือ miss ต่างกัน
จัดคำสั่งอย่างไรให้มีโอกาสใช้ cache คุ้ม
- แยก บริบทคงที่ เช่น คู่มือเวอร์ชันเดียว ออกจาก คำถามเปลี่ยนทุกครั้ง
- วางเนื้อหาที่เหมือนกันไว้ตอนต้นคำขอเมื่อใช้ implicit caching ตามคำแนะนำของ Google
- ใช้คำขอที่มี prefix ใกล้เคียงกันในช่วงเวลาที่เหมาะสม แต่ไม่สมมติว่าระบบจะ cache ทุกคำขอ
- ตรวจข้อมูลการใช้งาน เช่น
usage.total_cached_tokensใน Interactions API หรือฟิลด์ usage ที่เอกสาร endpoint นั้นระบุ และเปรียบเทียบค่าใช้จ่ายจริงกับแบบไม่ใช้ cache - เมื่อคู่มือแก้ไข ให้ตรวจว่าแอปอ้างอิงข้อมูลฉบับล่าสุดและไม่ใช้ cache เก่าผิดเวอร์ชัน
ถ้างานเป็นคำถามครั้งเดียวจากไฟล์สั้น หรือแต่ละคำขอใช้เอกสารคนละชุด ประโยชน์ของ caching อาจน้อยกว่าความซับซ้อนที่เพิ่มขึ้น
ตรวจคำตอบและนโยบายข้อมูล แม้ใช้ cache
แม้อินพุตจะถูก cache ไว้ ก็ยังต้องตรวจว่า AI เลือกหลักฐาน อ้างอิง และใช้เอกสารฉบับที่ถูกต้องหรือไม่ ก่อนส่งเอกสารองค์กรหรือข้อมูลส่วนบุคคล ให้ตรวจนโยบายข้อมูลและระยะเวลาเก็บข้อมูลของบริการด้วย
ข้อสรุปใช้งาน: เริ่มจากวัดจำนวนคำขอที่ใช้บริบทซ้ำจริง เลือก API/โมเดลที่รองรับ ตรวจ cache hit และต้นทุนหลังใช้งาน แล้วค่อยตัดสินใจว่าควรเพิ่มการจัดการ cache แบบ explicit หรือไม่
แหล่งอ้างอิง
- Google AI for Developers: Context caching
- Google AI for Developers: Optimization and inference
- Google AI for Developers: Gemini API pricing
- Google AI for Developers
ตรวจเอกสาร Google ณ 29 ตุลาคม 2569 หน้า Context caching ปรับปรุง 23 ตุลาคม 2569 บทความนี้ไม่ใช่ผลทดสอบ API จริง ตัวเลขทุกตัวเป็นตัวอย่างสมมติ ไม่ใช่ราคาจริงหรือการรับประกัน cache hit