---
title: "تخزين استجابات LLM API مؤقتًا لخفض التكلفة (Python وSQLite)"
description: "ذاكرة مؤقتة مُختبرة للتطابق التام لاستجابات LLM API بـ Python: ما يدخل في المفتاح، وما لا يُخزَّن أبدًا، ومدد الصلاحية، والخصوصية، وقياس نسبة الإصابة قبل البناء."
url: https://broadrouter.com/ar/blog/cache-llm-responses-cut-cost/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/cache-llm-responses-cut-cost/) (حُدّث في 2026-11-15).

# تخزين استجابات LLM API مؤقتًا لخفض التكلفة: تطابق تام بـ Python

بقلم فريق BroadNet Inference · قراءة في 8 دقائق · تاريخ النشر 2026-11-15

احسب تجزئة (hash) للطلب كاملًا (النموذج، والرسائل، وtemperature، وmax\_tokens، وresponse\_format، والأدوات، وإعدادات الاستدلال المنطقي، وإصدار الأمر لديك) لتكون مفتاحًا، وخزّن الإجابة تحته مع مدة صلاحية. ولا تُعِد إجابة مخزّنة إلا للطلبات الحتمية الخالية من الآثار الجانبية. وقِس أولًا في سجلاتك كم مرة تتكرر الطلبات المتطابقة: فتلك النسبة هي أقصى ما يمكن أن توفّره ذاكرة التطابق التام.

## أبرز النقاط

-   توفّر ذاكرة التطابق التام الاستدعاء كله، بما فيه رموز الإخراج والاستدلال المنطقي، لكن فقط للطلبات المتطابقة بايتًا ببايت. والأسئلة المعاد صياغتها لا تصيب أبدًا.
-   ضع في المفتاح كل معامل يغيّر الإجابة، إضافة إلى إصدار للأمر. فإغفال أحدها يُعيد إجابات خاطئة؛ وإضافة ضجيج مثل طابع زمني تجعل كل طلب يخفق.
-   لا تخزّن الردود العشوائية (temperature أعلى من 0)، ولا الردود المتدفقة، ولا استدعاءات الأدوات، ولا الإجابات المقطوعة عند max\_tokens.
-   قِس أولًا: احسب تجزئة كل طلب في سجلات الاستخدام وعُدّ التكرارات. فأرقام التوفير المنشورة لا تقول شيئًا عن حركة طلباتك.
-   الذاكرة المؤقتة تخزّن الأوامر والإجابات. فإذا كان مزوّدك لا يحتفظ بأي محتوى استدلال، فالذاكرة المؤقتة هي الآن مكان ذلك المحتوى، فأعطها مدة صلاحية وقواعد وصول.

**في هذه الصفحة**

1.  هل التخزين المؤقت للاستجابات هو نفسه التخزين المؤقت للأوامر؟
2.  هل ستوفّر لك الذاكرة المؤقتة مالًا فعلًا؟
3.  ما الذي يدخل في مفتاح الذاكرة المؤقتة؟
4.  الذاكرة المؤقتة: SQLite ومدة الصلاحية وسياسة التجاوز
5.  ما الذي يجب ألّا يُعاد من ذاكرة مؤقتة أبدًا؟
6.  متى يجب أن تنتهي صلاحية الإجابات المخزّنة؟
7.  وماذا عن التخزين المؤقت الدلالي؟
8.  ماذا تعني الذاكرة المؤقتة للخصوصية؟
9.  كيف يتكامل التخزين المؤقت مع أدوات التحكم الأخرى في التكلفة؟
10.  أين تقع BroadNet Inference من هذا؟

كل طلب LLM متطابق ترسله مرتين تدفع ثمنه مرتين. والذاكرة المؤقتة للاستجابات تخزّن الإجابة في المرة الأولى وتعيدها في المرة التالية، دون رموز محتسبة ودون انتظار. الفكرة بسيطة. لكن الأجزاء الصعبة هي تحديد ما يجعل طلبين «متطابقين»، وأي الطلبات يجب ألّا تُعاد من التخزين أبدًا، وهل تتكرر حركة طلباتك بما يكفي لأن يُحدث ذلك فرقًا.

يبني هذا المقال ذاكرة مؤقتة صغيرة للتطابق التام بـ Python على SQLite، مُختبرة مقابل خادم وهمي متوافق مع OpenAI، ويبيّن كيف تقيس نسبة الإصابة من سجلاتك قبل أن تكتب أي شيء منها.

## هل التخزين المؤقت للاستجابات هو نفسه التخزين المؤقت للأوامر؟

لا. فهما يوفّران أشياء مختلفة، ويمكنك استخدامهما معًا.

|  | التخزين المؤقت للأوامر (المزوّد) | التخزين المؤقت للاستجابات (أنت) |
| --- | --- | --- |
| ما يُعاد استخدامه | البداية المتكررة للأمر | الإجابة كاملة |
| من يشغّله | مزوّد الواجهة | شيفرتك |
| هل يعمل النموذج؟ | نعم، ويكتب إجابة جديدة | لا |
| ما يوفّره | جزء من تكلفة الإدخال | رموز الإدخال والإخراج والاستدلال المنطقي، إضافة إلى زمن الاستجابة |
| متى يصيب | بادئة مشتركة، وأسئلة مختلفة | الطلب نفسه تمامًا |

يشرح مقال [رموز الإدخال المخزّنة مؤقتًا](https://broadrouter.com/ar/blog/cached-input-tokens-explained/) جانب المزوّد، ويبيّن مقال [بنية الأوامر للتخزين المؤقت](https://broadrouter.com/ar/blog/prompt-structure-for-caching/) كيف ترتّب الأمر ليُعاد استخدام بادئته. وتحسب [حاسبة التخزين المؤقت للأوامر](https://broadrouter.com/tools/prompt-caching-calculator/) تكلفته. أما الذاكرة المؤقتة للاستجابات فتقف أمام ذلك كله: عند الإصابة، لا يغادر أي طلب خادمك.

## هل ستوفّر لك الذاكرة المؤقتة مالًا فعلًا؟

قِس قبل أن تبني. فنسب التوفير في كثير من الدروس عن التخزين المؤقت مأخوذة من حركة طلبات غيرك. ورقمك أنت يعتمد على أمر واحد: كم مرة يصل الطلب نفسه مجددًا خلال مدة الصلاحية لديك.

إذا كنت تسجّل كل استدعاء أصلًا، كما في مقال [تسجيل استخدام LLM API](https://broadrouter.com/ar/blog/llm-api-usage-logging/)، فأضف حقلًا واحدًا: `request_hash`، وهو مفتاح الذاكرة المؤقتة الموصوف أدناه. ولا يخزّن أي نص من الأمر، فيلائم سجلًا يُبقي المحتوى خارجه. ثم عُدّ التكرارات:

```python
import json
from collections import Counter

def potential_hit_rate(log_path: str) -> float:
    """Share of calls whose request_hash was already seen: an upper bound for an exact cache."""
    hashes = [json.loads(line)["request_hash"] for line in open(log_path)]
    seen, repeats = set(), 0
    for h in hashes:
        repeats += h in seen
        seen.add(h)
    print("top repeated requests:", Counter(hashes).most_common(3))
    return repeats / len(hashes) if hashes else 0.0

print(f"potential hit rate: {potential_hit_rate('calls.jsonl'):.1%}")
```

على سجل اصطناعي من 20 استدعاءً، فيه طلب تكرر خمس مرات، وآخر ثلاث مرات، واثنا عشر طلبًا فريدًا، طبع نسبة إصابة محتملة قدرها 30.0%. وهذا حد أعلى: فهو يتجاهل انتهاء الصلاحية، ويفترض أن كل تكرار آمن لإعادته من التخزين.

ثم حوّل النسبة إلى مال:

```text
monthly saving = hit rate × requests per month
                 × (input tokens × input price + output tokens × output price) ÷ 1,000,000
```

رموز الإخراج تشمل الاستدلال المنطقي. تقول وثائق BroadNet إن DeepSeek V4.1 Flash وGLM 5.3 وQwen3.8 27B تستدل منطقيًا قبل الإجابة وإن الاستدلال المنطقي يُحتسب ضمن `max_tokens`، لذا فالإصابة توفّر رموزًا لا تراها أبدًا في الرد. خذ `completion_tokens` من `usage` المسجّل، لا من طول الإجابة.

مثال محسوب بالرموز: 100,000 طلب شهريًا، كل منها 1,200 رمز إدخال و150 رمز إخراج، مع نسبة إصابة 30%، تتجنب 36 مليون رمز إدخال و4.5 مليون رمز إخراج. وفي [DeepSeek V4.1 Flash](https://broadrouter.com/ar/models/deepseek-v4.1-flash/) تُحتسب تلك بسعر $0.175 و$0.52 لكل مليون على التوالي؛ أدخل أرقامك في [حاسبة تكلفة LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/). وإذا كان معظم ذلك الإدخال يصيب ذاكرة المزوّد المؤقتة أصلًا، فإن التوفير في الإدخال يكون بالسعر الأقل للمخزّن مؤقتًا ($0.0055 لكل مليون في النموذج نفسه)، لذا فجانب الإخراج هو غالبًا ما يهم.

## ما الذي يدخل في مفتاح الذاكرة المؤقتة؟

كل ما يمكن أن يغيّر الإجابة، ولا شيء سواه.

-   **أدخِل:** `model`، وقائمة `messages` كاملة (بما فيها أمر النظام)، و`temperature`، و`top_p`، و`max_tokens`، و`seed`، و`response_format`، و`tools`، و`tool_choice`، و`reasoning_effort`.
-   **أضف إصدارًا للأمر** تتحكم فيه، مثل `faq-v3`. ارفعه حين تغيّر قوالب الأوامر أو بيانات الاسترجاع أو المعالجة اللاحقة التي لا يُظهرها جسم الطلب.
-   **استبعد** كل ما يتغيّر مع كل استدعاء دون أن يغيّر الإجابة: معرّفات الطلبات، والطوابع الزمنية، وترويسات التتبع، وحقل `user` الذي ترسله لتتبع إساءة الاستخدام فقط.

سلسل مادة المفتاح بالطريقة نفسها في كل مرة. فالدالة `json.dumps` في Python مع `sort_keys=True` و`separators=(",", ":")` تعطي نصًا قياسيًا واحدًا بغض النظر عن ترتيب القاموس؛ ويُبقي `ensure_ascii=False` النص العربي وغيره من النصوص غير اللاتينية بترميز UTF-8 بدل رموز الهروب. ثم احسب تجزئته بـ SHA-256.

الحقل الناقص هو الخطأ الخطير. فإذا لم يكن `max_tokens` في المفتاح، فإن ردًا قُطع تحت حد صغير سيُعاد لطلب سمح برد طويل.

## الذاكرة المؤقتة: SQLite ومدة الصلاحية وسياسة التجاوز

```python
import hashlib, json, sqlite3, time

# Every field that changes the answer belongs in the key.
KEY_FIELDS = ("model", "messages", "temperature", "top_p", "max_tokens", "seed",
              "response_format", "tools", "tool_choice", "reasoning_effort")

def cache_key(params: dict, prompt_version: str) -> str:
    material = {k: params[k] for k in KEY_FIELDS if k in params}
    material["prompt_version"] = prompt_version
    canon = json.dumps(material, sort_keys=True, separators=(",", ":"), ensure_ascii=False)
    return hashlib.sha256(canon.encode("utf-8")).hexdigest()

class ResponseCache:
    def __init__(self, path="llm_cache.sqlite", ttl_s=7 * 86400):
        self.db, self.ttl = sqlite3.connect(path), ttl_s
        self.db.execute("CREATE TABLE IF NOT EXISTS cache (k TEXT PRIMARY KEY, created REAL,"
                        " body TEXT, prompt_tokens INT, completion_tokens INT)")
        self.hits = self.misses = self.skips = self.saved_in = self.saved_out = 0

    def create(self, client, prompt_version: str, **params):
        if params.get("stream") or params.get("temperature", 1) > 0:
            self.skips += 1                       # not cacheable: call the model directly
            return client.chat.completions.create(**params)
        k = cache_key(params, prompt_version)
        row = self.db.execute("SELECT body, created, prompt_tokens, completion_tokens"
                              " FROM cache WHERE k = ?", (k,)).fetchone()
        if row and time.time() - row[1] < self.ttl:
            self.hits += 1; self.saved_in += row[2]; self.saved_out += row[3]
            return json.loads(row[0])             # a plain dict, not an SDK object
        self.misses += 1
        r = client.chat.completions.create(**params)
        choice = r.choices[0]
        if choice.finish_reason == "stop" and not choice.message.tool_calls:
            self.db.execute("INSERT OR REPLACE INTO cache VALUES (?, ?, ?, ?, ?)",
                            (k, time.time(), r.model_dump_json(),
                             r.usage.prompt_tokens, r.usage.completion_tokens))
            self.db.commit()
        return r.model_dump()
```

وهذا تشغيل لها:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
cache = ResponseCache("demo.sqlite", ttl_s=86400)
SYSTEM = {"role": "system", "content": "Answer questions about our refund policy in one sentence."}
questions = ["How long do refunds take?", "Can I refund a gift card?",
             "How long do refunds take?", "How long do refunds take?", "Can I refund a gift card?"]
for q in questions:
    r = cache.create(client, "faq-v3", model="broadnet/deepseek-v4.1-flash", temperature=0,
                     max_tokens=1200, messages=[SYSTEM, {"role": "user", "content": q}])
    print(r["choices"][0]["message"]["content"])
# a personalised, sampled request is never cached
cache.create(client, "faq-v3", model="broadnet/deepseek-v4.1-flash", temperature=0.7,
             messages=[SYSTEM, {"role": "user", "content": "Write me a friendly reminder"}])
# a new prompt version is a new key
cache.create(client, "faq-v4", model="broadnet/deepseek-v4.1-flash", temperature=0,
             max_tokens=1200, messages=[SYSTEM, {"role": "user", "content": "How long do refunds take?"}])
print(f"hits={cache.hits} misses={cache.misses} skipped={cache.skips} "
      f"saved_input={cache.saved_in} saved_output={cache.saved_out}")
```

شغّلنا هذا بمكتبة OpenAI Python SDK بالإصدار 3.51.0 مقابل خادم وهمي محلي يعدّ الاستدعاءات الصادرة ويبلّغ عن 1,200 رمز أمر و150 رمز إكمال لكل رد (دون أي استدعاء فعلي للواجهة). سبعة طلبات أنتجت أربعة استدعاءات صادرة. وطبع السكربت `hits=3 misses=3 skipped=1 saved_input=3600 saved_output=450`. وعند تشغيله مجددًا على ملف قاعدة البيانات نفسه، أصابت الطلبات الستة القابلة للتخزين كلها (`hits=6 misses=0`): فـ SQLite يحفظ الذاكرة المؤقتة عبر إعادة التشغيل. والمفاتيح المبنية من الحقول نفسها بترتيب مختلف تطابقت.

ملاحظات على الشيفرة:

-   **`max_tokens=1200`** يترك مساحة للاستدلال المنطقي قبل الإجابة. فمع حد صغير قد يعيد نموذج الاستدلال المنطقي ردًا فارغًا ([السبب](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/)). وتلك الردود لا تُخزَّن، لأن `finish_reason` يكون `length` لا `stop`.
-   **الإصابات تعيد قاموسًا (dict).** والإخفاقات تعيد أيضًا `model_dump()`، فيرى المستدعون شكلًا واحدًا. وإذا كانت شيفرتك تتوقع كائنات SDK، فغلّف الحالتين.
-   **غياب `temperature` يُعدّ عشوائيًا.** فالخادم يطبّق حينئذ قيمته الافتراضية، وقد تكون أعلى من 0، لذا يتجاوز الغلاف التخزين المؤقت ما لم تضبطها صراحة على 0.
-   **SQLite يناسب عملية واحدة أو بضع عمليات.** ولعدة خوادم، ضع منطق المفتاح ومدة الصلاحية نفسه في Redis أو في قاعدة بياناتك.

## ما الذي يجب ألّا يُعاد من ذاكرة مؤقتة أبدًا؟

-   **الردود العشوائية (temperature أعلى من 0).** لقد اخترت التنوع. والتخزين المؤقت يلغيه، والمستخدم الذي يضغط «إعادة التوليد» يحصل على النص نفسه.
-   **الإجابات المخصّصة** ما لم يكن معرّف المستخدم في المفتاح. فمستخدمان يرسلان «لخّص حسابي» لديهما حسابان مختلفان. والأفضل: خزّن مؤقتًا فقط الطلبات التي لا تحتوي رسائلها على بيانات خاصة بالمستخدم.
-   **استدعاءات الأدوات.** [استدعاء الأداة](https://broadrouter.com/ar/glossary/tool-calling/) أمر بالتنفيذ. وإعادة «refund order 1182» (أي «استرد الطلب 1182») من التخزين قد تكرر أثرًا جانبيًا، والخطوة التالية الصحيحة تعتمد على الحالة الراهنة. ويرفض الغلاف تخزين أي رد فيه `tool_calls`.
-   **الردود المتدفقة.** يتجاوز الغلاف الذاكرة المؤقتة عند `stream=True`. فتخزين البث مؤقتًا يعني تجميعه، والتحقق من اكتماله، وإعادة تشغيله، ونادرًا ما يستحق ذلك في واجهات المحادثة.
-   **الردود المقطوعة أو الفاشلة.** خزّن فقط ما كان `finish_reason == "stop"`. فالإجابة المقطوعة أو الخطأ المخزّن لأسبوع خلل يبدو كأنه مشكلة في النموذج.
-   **الإجابات التي تعتمد على الوقت.** سؤال «ما سعر الصرف اليوم؟» يحتاج إلى مدة صلاحية قصيرة أو بلا ذاكرة مؤقتة.

وما يُخزَّن مؤقتًا جيدًا: تصنيف مجموعة ثابتة من الإدخالات، والاستخراج من مستندات تعيد معالجتها، وإجابات الأسئلة الشائعة من أمر ثابت، ومجموعات الاختبار والتقييمات التي تعيد تشغيلها، وحلقات التطوير التي ترسل فيها الطلب نفسه مرارًا.

## متى يجب أن تنتهي صلاحية الإجابات المخزّنة؟

استخدم ثلاثة أنواع من الإبطال:

1.  **مدة الصلاحية (TTL).** حد زمني لكل إدخال: أيام لإجابات الأسئلة الشائعة الثابتة، ودقائق لأي شيء يقرأ بيانات حية.
2.  **الإصدار في المفتاح.** غيّر إصدار الأمر حين يتغيّر أمر النظام أو فهرس الاسترجاع أو مخطط الإخراج. فتتوقف الإدخالات القديمة عن التطابق وتتقادم.
3.  **النموذج في المفتاح.** هو موجود أصلًا، لذا فإن الانتقال من نموذج إلى آخر يبدأ ذاكرة مؤقتة جديدة، وهذا ما تريده أثناء [تقييم التبديل](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/).

احذف الصفوف المنتهية الصلاحية وفق جدول (`DELETE FROM cache WHERE created < ?`). وإلا فإن الملف لا يفعل إلا أن يكبر.

وهناك فائدة جانبية. فمحركات التشغيل لا تَعِد بإخراج متطابق لإدخال متطابق: تقول وثائق vLLM إنه “does not guarantee the reproducibility of the results by default” (الترجمة: «لا يضمن افتراضيًا قابلية إعادة إنتاج النتائج»). والذاكرة المؤقتة تعطي كل مستخدم الإجابة نفسها على السؤال نفسه طوال عمر الإدخال.

## وماذا عن التخزين المؤقت الدلالي؟

تحوّل الذاكرة المؤقتة الدلالية كل سؤال إلى تضمين، وتعيد إجابة مخزّنة حين يكون السؤال الجديد قريبًا بما يكفي، فيمكن أن يصيب سؤال «كم يستغرق الاسترداد؟» إدخال «كم تستغرق عمليات الاسترداد؟». وGPTCache هو أشهر مثال مفتوح المصدر. يقول ملف README الخاص به إنه يستخدم مخزن متجهات للبحث بالتشابه ومقيّمًا للتشابه لتقرير الإصابة، ويحذّر من أنك “you may encounter false positives during cache hits and false negatives during cache misses” (الترجمة: «قد تواجه إيجابيات كاذبة عند إصابات الذاكرة المؤقتة وسلبيات كاذبة عند إخفاقاتها»)، ويذكر أن تعطيل التضمينات يحوّله إلى ذاكرة مؤقتة لمطابقة الكلمات المفتاحية.

نقطتان عمليتان. الأولى: يحتاج إلى نموذج [تضمينات (embeddings)](https://broadrouter.com/ar/glossary/embeddings/) ومخزن متجهات. ولا تقدّم BroadNet Inference التضمينات، لذا ستستخدم مزوّدًا آخر أو نموذجًا محليًا لتلك الطبقة؛ وتحسب [حاسبة تكلفة التضمينات](https://broadrouter.com/tools/embedding-cost-calculator/) تكلفة الخيارات. والثانية: الإصابة الخاطئة تعيد إجابة واثقة عن سؤال مختلف. استخدم عتبة تشابه صارمة، واختبرها على أزواج حقيقية متقاربة، واحصر التخزين المؤقت الدلالي في الإجابات منخفضة المخاطر. وفي كل الأحوال ضع ذاكرة التطابق التام في المقدمة: ففحصها مجاني، ولا تخطئ أبدًا في ما سُئل.

## ماذا تعني الذاكرة المؤقتة للخصوصية؟

الذاكرة المؤقتة مخزن للأوامر والإجابات. وهذا يغيّر مكان بياناتك.

يقول [بيان خصوصية الاستدلال](https://www.broadnet.ai/inference-privacy) من BroadNet، الذي راجعناه في 2026-11-15، إن بوابتها لا تحتفظ بالأوامر أو الرسائل أو الاستجابات أو النصوص المفرّغة، بينما تُحفظ سجلات حركة واستخدام خالية من المحتوى (عدد الرموز، والتكلفة، والتوقيتات). فمحتوى الاستدلال لا يُحتفظ به. وتُحفظ بيانات الحساب والفوترة والأمان الوصفية الضرورية كما يصف ذلك البيان. وحين تضيف ذاكرة مؤقتة للاستجابات، يحمل نظامك المحتوى الذي لا يحمله المزوّد. فعاملها كأي مخزن آخر لبيانات المستخدمين:

-   خزّن مؤقتًا الطلبات الخالية من البيانات الشخصية حيثما أمكن، وهذا يرفع نسبة الإصابة أيضًا.
-   اضبط مدة صلاحية قصيرة بما يكفي لسياسة الاحتفاظ لديك، واحذف وفق جدول.
-   شفّر الملف أو الجدول أثناء التخزين وقيّد من يستطيع قراءته.
-   أدرج الذاكرة المؤقتة في طلبات حذف البيانات إذا كانت قد تحمل نصوص المستخدمين.

ويغطي مقال [إرسال البيانات الحساسة إلى LLM API](https://broadrouter.com/ar/blog/llm-api-sensitive-data/) بقية قائمة التحقق تلك.

## كيف يتكامل التخزين المؤقت مع أدوات التحكم الأخرى في التكلفة؟

يزيل التخزين المؤقت الاستدعاءات المتكررة. ولا يفعل شيئًا للاستدعاءات الفريدة، لذا يقف بجانب أدوات التحكم الأخرى لا بديلًا عنها: [الأوامر الأقصر](https://broadrouter.com/ar/blog/reduce-prompt-tokens/)، والتخزين المؤقت للأوامر لدى المزوّد، وسقف `max_tokens` لكل طلب، والميزانيات وحدود الحلقات من مقال [التحكم في إنفاق LLM API](https://broadrouter.com/ar/blog/llm-api-spend-control/). وللمهام الكبيرة التي تُنفَّذ مرة واحدة، أزل التكرار من الإدخالات قبل إرسالها؛ وهي الفكرة نفسها للذاكرة المؤقتة، لكن مرة واحدة. ويبيّن مقال [معالجة مهمة كبيرة دون Batch API](https://broadrouter.com/ar/blog/llm-batch-processing-without-batch-api/) جانب المهمة.

وفي الخطة بسعر ثابت يتغيّر الحساب. فجلسات DeepSeek في BroadNet بلا عدّاد رموز، لذا لا توفّر إصابة الذاكرة المؤقتة مالًا هناك. لكنها لا تزال توفّر الوقت: فالجلسة تشغّل طلبًا واحدًا في كل مرة، وكل تكرار تتجاوزه يحرّر الجلسة لعمل جديد.

## أين تقع BroadNet Inference من هذا؟

BroadRouter هو موقع BroadNet نفسها. وتتيح BroadNet Inference نماذج DeepSeek V4.1 Flash وGLM 5.3 وQwen3.8 27B وGemma 4 VL 26B خلف نقطة نهاية `/v1/chat/completions` متوافقة مع OpenAI، لذا يعمل الغلاف أعلاه مع [OpenAI Python SDK](https://broadrouter.com/ar/guides/openai-python-sdk/) بمجرد تغيير عنوان URL الأساسي. وليس لديها ميزة خاصة بها للتخزين المؤقت للاستجابات؛ فالذاكرة المؤقتة في هذا المقال ملكك أنت. ويُبلَّغ عن إصابات الذاكرة المؤقتة لدى المزوّد في `usage.prompt_tokens_details.cached_tokens` وتُحتسب بسعر الإدخال المخزّن مؤقتًا، بحسب [مرجعها التقني](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-cache-llm-responses-cut-cost&utm_content=body). والأسعار لكل نموذج في [صفحة الأسعار](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-cache-llm-responses-cut-cost&utm_content=body).

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[التضمينات (Embeddings)](https://broadrouter.com/ar/glossary/embeddings/)

التضمينات (embeddings) قوائم من الأعداد العشرية (متجهات) يُنتجها نموذج لتمثيل قطعة نص أو صورة أو أي مدخل آخر. وتحصل المدخلات المتشابهة في المعنى على متجهات متقاربة، فيمكن استخدام المسافة بين المتجهات لترتيب نتائج البحث أو تجميع المستندات أو إيجاد العناصر المرتبطة.

[رموز الإدخال المخزّنة مؤقتًا (Cached input tokens)](https://broadrouter.com/ar/glossary/cached-input-tokens/)

رموز الإدخال المخزّنة مؤقتًا هي رموز من الأمر (prompt) عالجها مزوّد نماذج اللغة مؤخرًا ويستطيع إعادة استخدامها من ذاكرة مؤقتة بدل حسابها من جديد، وهي عادةً بادئة متكررة مثل أمر النظام أو مستند. ويحتسبها المزوّدون بسعر أقل من رموز الإدخال الجديدة.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[رموز الإدخال والإخراج (Input and output tokens)](https://broadrouter.com/ar/glossary/input-and-output-tokens/)

رموز الإدخال هي الرموز (التوكنات) التي يقرؤها نموذج اللغة في الطلب، ومنها أمر النظام وسجل المحادثة وتعريفات الأدوات والصور. ورموز الإخراج هي الرموز التي يولّدها في الرد، بما فيها الاستدلال المنطقي. وتسعّر واجهات LLM API كلًّا منهما على حدة عادةً، والإخراج أغلى في الغالب.

[أمر النظام (System prompt)](https://broadrouter.com/ar/glossary/system-prompt/)

أمر النظام (system prompt) هو نص التعليمات الذي يرسله التطبيق إلى النموذج اللغوي قبل المحادثة، عادةً في رسالة بالدور system أو developer. وهو يحدد دور النموذج وقواعده ونبرته وصيغة مخرجاته، ويُفترض أن يلتزم به النموذج إذا تعارض مع رسائل المستخدم.

[درجة الحرارة (Temperature)](https://broadrouter.com/ar/glossary/temperature/)

درجة الحرارة (temperature) معامل لأخذ العينات يتحكم في مدى عشوائية مخرجات النموذج اللغوي. يقسم النموذج درجات الرموز على قيمة الحرارة قبل تحويلها إلى احتمالات: فالقيم المنخفضة تجعل الرمز الأرجح هو المهيمن، والقيم المرتفعة تسطّح التوزيع فتُختار الرموز الأقل احتمالًا أكثر.

[العنوان الأساسي (Base URL)](https://broadrouter.com/ar/glossary/base-url/)

العنوان الأساسي (base URL) هو الجذر الثابت لعنوان الواجهة، مثل https://api.example.com/v1، الذي يضعه العميل قبل كل مسار نقطة نهاية، مثل /chat/completions. وفي حزم SDK المتوافقة مع OpenAI، يكفي تغيير العنوان الأساسي، مع مفتاح API ومعرّف النموذج، لتوجيه الشيفرة نفسها إلى مزوّد آخر.

## أسئلة شائعة

### ما الفرق بين التخزين المؤقت للأوامر والتخزين المؤقت للاستجابات؟

التخزين المؤقت للأوامر يتولاه المزوّد: تُحتسب بادئة الأمر المتكررة بسعر أقل للإدخال المخزّن مؤقتًا، ويظل النموذج يكتب إجابة جديدة. أما التخزين المؤقت للاستجابات فتتولاه أنت: تخزّن الإجابة كاملة وتعيدها لطلب متطابق دون استدعاء النموذج إطلاقًا.

### هل أخزّن استجابات LLM مؤقتًا عند temperature تساوي 0؟

نعم، إذا كان الطلب بلا آثار جانبية وكانت الإجابة نفسها مقبولة لكل من يرسله. فـ temperature عند 0 لا تضمن أصلًا إخراجًا متطابقًا من محرك التشغيل، لذا تجعل الذاكرة المؤقتة الإجابة متسقة أيضًا. وتجاوز التخزين المؤقت حين تكون temperature أعلى من 0 أو غير محددة.

### كم يوفّر التخزين المؤقت لاستجابات LLM؟

نسبة الطلبات التي تتكرر حرفيًا خلال مدة الصلاحية لديك، مضروبة في تكلفة تلك الطلبات. عُدّ تجزئات الطلبات المتكررة في سجلاتك لتحصل على تلك النسبة. وقد تقترب من الصفر في المحادثة المفتوحة، وترتفع في إدخالات الأسئلة الشائعة أو التصنيف الثابتة.

### هل التخزين المؤقت الدلالي أفضل من التخزين المؤقت للتطابق التام؟

يصيب أكثر، لأن الأسئلة المتشابهة تتطابق، لكنه قد يعيد إجابة لسؤال مختلف. ويحتاج أيضًا إلى نموذج تضمينات ومخزن متجهات. ابدأ بذاكرة التطابق التام، وأضف طبقة دلالية فقط حيث تكون الإصابة الخاطئة رخيصة.

### هل أستطيع تخزين الاستجابات المتدفقة مؤقتًا؟

ليس بالغلاف البسيط هنا. عليك أن تجمع البث كاملًا، وتتحقق أنه انتهى بشكل طبيعي، وتخزّنه، ثم تعيد تشغيله لاحقًا على هيئة بث. ومعظم الفرق تخزّن مؤقتًا الاستدعاءات غير المتدفقة فقط، مثل التصنيف والاستخراج وإجابات الأسئلة الشائعة.

## تابع القراءة

-   [رموز الإدخال المخزّنة مؤقتًا: كيف تخفّض فاتورة LLM API](https://broadrouter.com/ar/blog/cached-input-tokens-explained/)
-   [كيف تبني الأوامر لتُخزَّن بادئتها مؤقتًا؟](https://broadrouter.com/ar/blog/prompt-structure-for-caching/)
-   [التحكم في إنفاق LLM API: الميزانيات وحدود المفاتيح والحماية من الحلقات](https://broadrouter.com/ar/blog/llm-api-spend-control/)
-   [تقليل رموز الأمر: تخفيضات مقيسة لأوامر النظام والأدوات والبيانات](https://broadrouter.com/ar/blog/reduce-prompt-tokens/)
-   [تسجيل استخدام LLM API: التكلفة لكل مستخدم وميزة وحجب البيانات](https://broadrouter.com/ar/blog/llm-api-usage-logging/)
-   [معالجة دفعات LLM دون Batch API: مشغّل قابل للاستئناف](https://broadrouter.com/ar/blog/llm-batch-processing-without-batch-api/)
-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [المراجعة البشرية جزء من سير عمل الذكاء الاصطناعي للمستندات](https://broadrouter.com/ar/blog/document-review-queues/)
-   [دليل: استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/)
-   [دليل: لماذا يعيد نموذج الاستدلال إجابة فارغة؟](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-cache-llm-responses-cut-cost&utm_content=page-cta) ·

**المصادر**

-   [المرجع التقني لواجهة BroadNet Inference: الاستدلال المنطقي يُحتسب ضمن max\_tokens، وحقول الاستخدام للاستدلال المنطقي والرموز المخزّنة مؤقتًا، وحدود الدفع حسب الاستخدام (تاريخ المراجعة 2026-11-15) (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-cache-llm-responses-cut-cost&utm_content=sources)
-   [بيان خصوصية الاستدلال من BroadNet: لا احتفاظ بالأوامر أو الرسائل أو الاستجابات أو النصوص المفرّغة؛ وتُحفظ سجلات حركة واستخدام خالية من المحتوى (تاريخ المراجعة 2026-11-15)](https://www.broadnet.ai/ar/inference-privacy)
-   [GPTCache على GitHub: ذاكرة مؤقتة دلالية بالتضمينات ومقيّم للتشابه، والإيجابيات والسلبيات الكاذبة، ووضع مطابقة الكلمات المفتاحية دون تضمينات (تاريخ المراجعة 2026-11-15)](https://github.com/zilliztech/GPTCache)
-   [وثائق vLLM، قابلية إعادة الإنتاج: "vLLM does not guarantee the reproducibility of the results by default" (الترجمة: «لا يضمن vLLM افتراضيًا قابلية إعادة إنتاج النتائج»)، (تاريخ المراجعة 2026-11-15)](https://docs.vllm.ai/en/latest/usage/reproducibility.html)
-   [وثائق Python، الوحدة json: الخيارات sort\_keys وseparators وensure\_ascii في json.dumps (تاريخ المراجعة 2026-11-15)](https://docs.python.org/3/library/json.html)
