TL;DR: Kalau kamu sudah pasang prompt caching tapi tagihan API tetap tinggi, cache-mu kemungkinan tidak pernah hit — bukan karena fiturnya rusak, tapi karena salah satu dari empat hal ini: prefix berubah tiap request, cache keburu kedaluwarsa, prompt di bawah minimum token sehingga diam-diam tidak di-cache, atau cache_control-mu tidak pernah sampai ke provider karena node n8n tidak meneruskannya. Buktinya ada di angka usage: kalau cache_read_input_tokens selalu nol, cache-mu tidak jalan.
💡 Key Takeaway
- Cache miss itu diam-diam. Tidak ada error, tidak ada peringatan. Satu-satunya bukti ada di field usage:
cache_read_input_tokens(Claude),cached_tokens(OpenAI), dancachedContentTokenCount/total_cached_tokens(Gemini). Kalau angkanya selalu nol, kamu membayar harga penuh.- Empat penyebabnya: (1) prefix tidak stabil — timestamp atau ID user di awal prompt; (2) TTL habis duluan — Claude 5 menit, OpenAI 30 menit, Gemini explicit 1 jam; (3) prompt di bawah minimum (512 Claude / 1.024 OpenAI / 4.096 Gemini) atau output yang mendominasi tagihan; (4) cache tidak sampai ke provider — node n8n tidak meneruskan
cache_control.- Hit rate di bawah 50% berarti ada yang rusak di struktur prompt atau pola traffic-mu, bukan di providernya.
- Angka harga dan TTL di sini memakai ulang angka terverifikasi 19 November 2026 — dicek ulang 20 November 2026, tidak ada perubahan.
Kamu sudah pasang caching. Kenapa tagihannya tidak turun?
Kamu baca artikel soal prompt caching — mungkin artikel prompt caching kami yang menjelaskan cara hemat biaya API sampai 90% — lalu kamu pasang cache_control, atau memakai model yang caching-nya otomatis, lalu menunggu tagihan turun. Sebulan kemudian tagihannya tetap segitu. Reaksi pertamanya biasanya: “caching itu cuma gimmick”, atau “provider-nya yang menipu”. Keduanya keliru. Yang benar, di sebagian besar kasus: cache-mu tidak pernah hit. Dan karena cache miss tidak pernah menimbulkan error, kamu bisa berbulan-bulan membayar harga penuh sambil mengira semuanya sudah benar.
Artikel ini bukan ulangan dari artikel sebelumnya. Artikel lama menjelaskan cara kerja caching, harga per provider, dan tujuh kesalahan umum. Artikel ini adalah audit: empat penyebab tagihan tetap bocor padahal cache sudah “dipasang”, lengkap dengan gejala, cara mendeteksi dari angka usage, dan cara memperbaikinya.
Contoh angka di sini memakai skenario yang sama seperti artikel lama: bot customer service di Claude Sonnet 5.5, prefix 8.000 token, 1.000 chat sehari. Tanpa caching, $750 per bulan. Dengan caching yang benar-benar hit, $294,58 — hemat 60,7%. Kalau tagihanmu masih di dekat $750, salah satu dari empat penyebab di bawah ini sedang terjadi.
Langkah nol: baca bukti dulu, sebelum menebak penyebabnya
Sebelum menyentuh satu baris kode pun, log angka usage dari 20 sampai 50 request terakhir, lalu hitung hit rate-nya. Ketiga provider memberi angka cache di setiap respons, tapi namanya beda-beda — dan cara menghitung totalnya juga beda:
| Provider | Field baca (hit) | Field tulis | Total input |
|---|---|---|---|
| Claude | cache_read_input_tokens |
cache_creation_input_tokens |
baca + tulis + input_tokens |
| OpenAI (Responses) | input_tokens_details.cached_tokens |
input_tokens_details.cache_write_tokens |
input_tokens (sudah inklusif) |
| OpenAI (Chat Completions) | prompt_tokens_details.cached_tokens |
prompt_tokens_details.cache_write_tokens |
prompt_tokens (sudah inklusif) |
| Gemini (generateContent) | usageMetadata.cachedContentTokenCount |
— | promptTokenCount (sudah inklusif) |
| Gemini (Interactions) | usage.total_cached_tokens |
— | total_input_tokens (sudah inklusif) |
Rumus hit rate yang benar untuk Claude: cache_read / (cache_read + cache_creation + input_tokens). Untuk OpenAI dan Gemini, karena totalnya sudah inklusif: cached / total_input. Salah rumus bisa menghasilkan hit rate di atas 100%.
Di OpenAI ada alat bantu tambahan: Prompt Caching Dashboard yang menunjukkan tren cache hit, plus alat diagnostik yang menjelaskan kenapa sebuah request miss. Di GPT-5.6 ke atas, ada juga prompt_cache_options.comparison_response_id untuk membandingkan request dengan respons sebelumnya.
Satu jebakan khusus Gemini: di generateContent API, field cachedContentTokenCount tidak muncul sama sekali kalau nol token dibaca dari cache. Jadi “field-nya tidak ada” artinya nol. Saat me-log, simpan field yang hilang sebagai nol.
Empat pola yang akan kamu temukan di angka-angka itu:
| Pola di angka usage | Tersangka utama |
|---|---|
cache_read nol, cache_creation bukan nol di hampir setiap request |
Penyebab 1 — prefix berubah terus |
cache_read nol, cache_creation muncul sekali lalu hilang, jeda antar request panjang |
Penyebab 2 — TTL habis duluan |
cache_read dan cache_creation dua-duanya nol, padahal request berulang |
Penyebab 3 — di bawah minimum, atau cache tidak relevan |
cache_read nol di semua request, tapi prompt panjang, stabil, dan traffic ramai |
Penyebab 4 — cache tidak sampai ke provider |
Penyebab 1: prefix tidak stabil — satu byte berubah, seluruh cache hangus
Ini penyebab paling umum, dan pelakunya sering terlihat tidak bersalah: satu baris timestamp di atas system prompt.
Gejalanya
Di angka usage, polanya khas: cache_creation_input_tokens bukan nol di hampir setiap request, sementara cache_read_input_tokens selalu nol. Provider menulis cache baru setiap kali — lalu tidak pernah memakainya, karena request berikutnya membawa prefix yang berbeda.
Di tagihan, polanya juga khas: tagihanmu bukan cuma tidak turun, tapi sedikit naik. Tiap request membayar biaya tulis 1,25x tanpa pernah mendapat harga baca 0,1x. Di skenario bot CS tadi, kalau setiap request menulis ulang prefix 8.000 token, kamu membayar 240 juta token × $2,50 = $600 sebulan hanya untuk prefix — lebih mahal dari $480 tanpa caching. Caching yang miss terus itu bukan netral, itu lebih mahal.
Kenapa bisa terjadi
Cache mencocokkan prefix dari token pertama ke depan, byte per byte. Satu karakter berbeda di awal, seluruh prefix sesudahnya ikut tidak cocok. Urutan yang dihitung Claude adalah tools, lalu system, lalu messages. Ubah definisi tools, maka tools + system + messages ikut batal. Ubah system prompt, maka system + messages ikut batal.
Pelaku yang paling sering ditemukan: timestamp di awal system prompt (Current time: 2026-11-20T07:00:00Z berarti setiap detik prefix-mu berbeda); ID user atau nomor pesanan di awal prompt — data per request, tempatnya di akhir; urutan tools yang berubah; dan riwayat percakapan yang ditulis ulang tiap giliran — kalau percakapan tumbuh lebih dari 20 blok melewati breakpoint terakhir, request berikutnya tidak menemukan entri cache sebelumnya.
Cara mendeteksi dan memperbaiki
Hitung hash dari prefix yang kamu kirim dan bandingkan antar request:
import hashlib
cache_key = hashlib.sha256(prefix.encode()).hexdigest()[:16]
print(f"Cache key: {cache_key}")
Kalau ini berubah antar request, prefix-mu tidak stabil.
Lalu lakukan bisect: kirim request paling minimal — hanya system prompt dan tools — dan lihat apakah cache_read muncul. Kalau muncul, tambahkan potongan prompt kembali satu per satu sampai hit rate jatuh.
Aturan perbaikannya satu kalimat: apa pun yang berubah per request, taruh setelah breakpoint terakhir. Pindahkan timestamp dan ID user ke akhir prompt, buat daftar tools deterministik (urutkan berdasarkan nama), letakkan breakpoint di akhir blok statis terakhir, dan untuk percakapan multi-turn pakai mode caching otomatis Claude. Setelah perbaikan, cache_creation seharusnya hanya muncul di request pertama setelah cold start.
Penyebab 2: cache kedaluwarsa — traffic-mu lebih jarang dari TTL-nya
Penyebab kedua ini tidak ada hubungannya dengan isi prompt. Prompt-mu sudah sempurna, stabil, panjang. Masalahnya: tidak ada yang memakainya sebelum masa hidupnya habis.
Gejalanya
Di angka usage: cache_creation muncul sesekali — sekali di pagi hari, sekali setelah makan siang — dan cache_read nyaris nol di antaranya. Bedanya dengan penyebab 1: cache_creation hanya muncul setelah jeda panjang, bukan di setiap request.
Kenapa bisa terjadi
Cache itu sementara, dan TTL-nya pendek. Angka dari artikel 19 November 2026, dicek ulang 20 November tanpa perubahan: TTL default Claude 5 menit, OpenAI GPT-5.6 ke atas 30 menit (atau 12 jam kalau kamu memilih masa hidup lebih panjang), Gemini explicit 1 jam. Setiap kali cache dipakai, masa hidupnya diperpanjang gratis. Kalau tidak, dia kedaluwarsa — dan request berikutnya menulis ulang dari nol, lengkap dengan biaya tulisnya. Balik modalnya: TTL 5 menit di Claude — satu tulis (1,25x) plus satu baca (0,1x) = 1,35x, lebih murah dari dua request tanpa cache (2x), jadi request kedua sudah untung. TTL 1 jam (tulis 2x): request ketiga baru untung.
Contohnya: agent internal yang dipakai beberapa kali sehari dengan jeda berjam-jam, atau bot toko kecil yang ramai jam 10 pagi lalu sepi sampai sore. Cache 5 menit sudah lama mati sebelum request berikutnya datang. Catatan: Gemini implicit bersifat best effort — entri bisa di-evict saat server padat.
Cara mendeteksi dan memperbaiki
Plot jeda antar request dan hit rate per jam. Kalau hit rate tinggi di jam sibuk dan nol di jam sepi, penyebabnya TTL, bukan prompt. Perbaikannya: naikkan TTL kalau traffic-mu berjarak belasan menit — Claude 1 jam (tulis 2x) balik modal di request ketiga dalam satu jam, tapi tidak cocok untuk satu request per jam. Di OpenAI, pilih masa hidup 12 jam (tulis 2,5x) hanya kalau ada cukup banyak request dalam 12 jam itu. Pemanasan cache hanya kalau hematnya terukur: satu request pemanas tiap 4 menit menjaga cache Claude tetap hidup, tapi request itu sendiri membayar harga penuh. Kalau traffic-mu memang sepi, jangan pakai caching sebagai tuas utama — pakai model yang lebih kecil, prompt yang lebih ramping, atau Batch API (diskon 50%). Untuk Gemini explicit, perhitungkan biaya simpan: cache 100 ribu token di 3.8 Flash biayanya $0,05 per jam dan sekali dibaca menghemat $0,0675 — satu baca per jam sudah impas. Di model Pro, simpan cache yang sama $0,45 per jam sementara satu baca cuma menghemat $0,18 — butuh sekitar 2,5 baca per jam cuma buat impas.
Penyebab 3: prompt di bawah minimum — atau output yang mendominasi tagihan
Penyebab ketiga ini sebenarnya dua masalah yang gejalanya mirip — tagihan tidak turun — tapi obatnya berlawanan. Bedakan dulu yang mana yang kamu alami.
Gejala A: dua-duanya nol
cache_read nol, cache_creation juga nol, padahal request-mu berulang dengan prompt yang sama. Ini provider yang diam-diam tidak meng-cache sama sekali — karena prompt-mu di bawah minimum token: 512 token di model Claude 5.x terbaru, 1.024 token di OpenAI GPT-5.6 ke atas, dan 4.096 token di Gemini 3/4 (2.048 token untuk Gemini 2.5). Di bawah angka itu, request tetap berhasil tanpa error atau peringatan.
Contoh umum: agent dengan system prompt 300 token plus 10 tool pendek — total prefix mungkin 600 token, lolos di Claude tapi tidak di Gemini. Atau chatbot dengan instruksi 200 token di OpenAI: tidak akan pernah di-cache. Perbaikannya: ukur panjang prefix yang sebenarnya dikirim ke API (log input_tokens). Kalau di bawah minimum, gabungkan instruksi, contoh, dan dokumen yang selalu dipakai menjadi satu prefix yang lebih panjang; atau terima bahwa workload ini bukan kandidat caching. Minimum explicit Gemini jauh lebih tinggi: 32.768 token.
Gejala B: cache hit, tapi tagihan tetap tinggi
Ini kebalikannya: cache_read besar, hit rate di atas 80%, tapi tagihan tetap bikin kaget. Caching-mu tidak rusak — cuma tidak relevan dengan bagian tagihan yang paling besar. Caching tidak menyentuh token output. Di skenario bot CS artikel lama, output adalah $240 dari total $750 — 32% tagihan tidak bisa didiskon caching. Kalau agent-mu menjawab panjang, output bisa 70–80% dari tagihan. Kalau output 80% dan input yang di-cache cuma 20%, caching yang sempurna sekalipun hanya memangkas sekitar 18% dari total.
Cara mendeteksinya: pecah tagihanmu per komponen — input baru, input dari cache, dan output (output_tokens di Claude, completion_tokens di OpenAI, candidates_token_count di Gemini). Kalau output mendominasi, berhenti mengutak-atik cache dan pindah ke tuas yang menyentuh output: model yang output-nya lebih murah, jawaban yang lebih ringkas, atau pisahkan tugas — klasifikasi pakai model murah, penulisan panjang baru pakai model besar.
Penyebab 4: cache tidak sampai ke provider — node dan framework yang menelan cache_control
Ini penyebab yang paling membuat frustrasi, karena semua yang kamu lihat di layar terlihat benar: prompt-mu panjang, stabil, traffic ramai, cache_control sudah kamu tulis di kode. Tapi angka usage tetap nol di semua request. Kemungkinan besar, yang kamu tulis tidak pernah sampai ke provider.
Gejalanya
cache_read nol di semua request — bukan sesekali, tapi selalu — padahal prompt panjang (di atas minimum), stabil (hash tidak berubah), dan traffic ramai (jeda antar request di bawah TTL). Kalau tiga penyebab sebelumnya sudah kamu coret, yang tersisa adalah jalur pengiriman: ada lapisan di antara kodemu dan API provider yang membuang atau salah menaruh marker cache-mu.
Kenapa bisa terjadi — kasus n8n
Di n8n, ini keluhan yang terdokumentasi di forum komunitas. Node standar Anthropic Chat Model / AI Agent di n8n, yang dibangun di atas integrasi LangChain, tidak menyediakan opsi cache_control — tidak ada toggle, tidak ada field di Advanced Options. Usulan penambahannya (PR #22318) ditutup tanpa di-merge pada Mei 2026.
Hal yang sama bisa terjadi di framework lain yang membangun ulang payload request. Kasus khusus OpenAI GPT-5.6 ke atas: di mode implicit, prefix dari konten dinamis tidak otomatis menjadi prefix pendek yang bisa dipakai ulang — solusinya breakpoint eksplisit setelah konten statis. Di GPT-6.2, instruksi di field instructions selalu ditagih harga penuh — taruh di pesan developer pertama. Di Gemini, explicit caching tidak didukung di Interactions API dan tidak ada di Gemini 4 ke atas.
Cara mendeteksi dan memperbaiki
Cara mendeteksinya: lihat payload yang benar-benar dikirim — bukan kodemu, tapi body request yang keluar dari mesinmu. Kalau kunci cache_control tidak ada di sana, kamu sudah menemukan penyebabnya. Lalu uji dengan panggilan SDK langsung: kirim prefix yang sama lewat SDK resmi dua kali. Kalau cache_read muncul di panggilan langsung tapi nol di workflow-mu, lapisannya adalah workflow-mu.
Tiga jalur perbaikan. A — HTTP Request node (n8n): ganti node model bawaan dengan HTTP Request node yang memanggil Messages API Anthropic secara langsung, dengan cache_control di blok statis terakhir. Kekurangannya: kamu membangun ulang tool loop sendiri di Code node — pakai untuk agent dengan spend tertinggi dulu. B — proxy penyuntik: arahkan Base URL kredensial Anthropic di n8n ke proxy ringan (misalnya Cloudflare Worker) yang menyuntikkan cache_control: {"type": "ephemeral"} ke system dan tiap entri tools sebelum meneruskan ke api.anthropic.com. Marker hanya ke blok yang statis, jangan pernah ke pesan yang dibuat selama loop. Uji di satu agent dulu: log cache_read_input_tokens selama tiga run. C — perbaiki di framework: cek apakah versimu meneruskan parameter caching; kalau tidak, panggil SDK provider langsung untuk panggilan termahal. Kalau memakai gateway pihak ketiga, cek apakah gateway itu mengubah urutan tools atau memindahkan routing antar region — cache tidak bisa dipakai lintas region di OpenAI. Setelah perbaikan apa pun, jangan percaya pada “sudah saya pasang”. Percaya pada angka: log cache_read selama seminggu penuh.
Ringkasan: empat penyebab, satu tabel
| Penyebab | Gejala di usage | Cek 1 menit | Perbaikan utama |
|---|---|---|---|
| 1. Prefix tidak stabil | cache_creation bukan nol di hampir tiap request, cache_read nol |
Hash prefix antar request — berubah? | Pindahkan timestamp/ID user ke akhir prompt; buat urutan tools deterministik |
| 2. TTL habis duluan | cache_creation hanya setelah jeda panjang, cache_read nyaris nol |
Jeda antar request vs TTL (5 mnt Claude / 30 mnt OpenAI / 1 jam Gemini) | Naikkan TTL, atau akui traffic sepi dan pakai tuas lain |
| 3. Di bawah minimum / output dominan | Kedua angka nol, atau hit rate bagus tapi tagihan tetap tinggi | Panjang prefix vs minimum; porsi output di tagihan | Panjangkan prefix, atau pangkas output dan ganti model |
| 4. Cache tidak sampai ke provider | cache_read nol selalu, padahal prompt panjang, stabil, ramai |
Cek payload yang benar-benar dikirim — ada cache_control? |
HTTP Request node atau proxy penyuntik; uji dengan SDK langsung |
Checklist audit 5 menit — sebelum kamu menyimpulkan “caching tidak bekerja”
- Log usage 20 request terakhir —
cache_read,cache_creation, total input, model, waktu, versi prompt. - Hitung hit rate dengan rumus yang benar. Claude: baca / (baca + tulis + input). OpenAI/Gemini: cached / total input. Di bawah 50% = ada yang rusak.
- Hash prefix-mu. Kalau hash berubah antar request yang seharusnya sama, penyebabnya prefix, bukan provider.
- Bandingkan jeda antar request dengan TTL. Claude 5 menit, OpenAI 30 menit, Gemini explicit 1 jam.
- Ukur panjang prefix dan porsi output. Di bawah 512 / 1.024 / 4.096 token = tidak di-cache. Output di atas 70% tagihan = caching bukan tuas yang tepat.
- Periksa payload yang benar-benar dikirim. Ada
cache_controldi sana? Di n8n AI Agent node bawaan, kemungkinan besar tidak. - Uji satu perbaikan, ukur seminggu. Jangan ubah lima hal sekaligus.
Kalau setelah audit ini hit rate-mu naik tapi tagihan tetap terasa tinggi, ingat: takut biaya AI agent membengkak itu wajar, dan caching hanya satu tuas. Model yang salah pilih bisa 40 kali lebih mahal dari model yang tepat. Dan kalau kamu belum memasang observability, panduan observability dengan Langfuse menunjukkan cara merekam token dan biaya per request.
Pertanyaan yang sering ditanya soal tagihan caching yang bocor
Cache_read saya nol di semua request. Apa yang paling mungkin?
Urutkan pemeriksaannya: prompt di bawah minimum token? Ada yang berubah di awal prompt (timestamp, ID user)? Apakah cache_control benar-benar terkirim (khususnya di n8n)? Apakah jeda antar request melewati TTL? Empat pertanyaan ini menutup hampir semua kasus.
Kenapa cache_creation muncul di setiap request padahal prompt saya sama?
Karena prompt-mu tidak sama — setidaknya menurut hash provider. Satu byte berbeda di awal sudah cukup. Hitung hash prefix antar request dan cari apa yang berubah: timestamp, urutan tools, atau ID dinamis.
Hit rate saya 90% tapi tagihan cuma turun 20%. Apakah caching saya rusak?
Tidak. Itu artinya porsi output di tagihanmu besar. Caching hanya mendiskon input yang di-cache — kalau output 80% dari total, hasil 20% itu sudah benar.
Di n8n, apakah ada cara resmi untuk mengaktifkan prompt caching di AI Agent node?
Sampai pertengahan 2026, tidak — node standar tidak menyediakan opsi cache_control, dan usulan penambahannya ditutup tanpa di-merge pada Mei 2026. Jalur yang dipakai komunitas adalah HTTP Request node atau proxy yang menyuntikkan cache_control. Keduanya perlu diuji dengan angka usage, bukan sekadar dipasang.
Apakah harga dan TTL di artikel ini masih berlaku?
Semua angka harga, TTL, dan minimum token di artikel ini memakai ulang angka yang diverifikasi 19 November 2026 di artikel prompt caching sebelumnya, dan dicek ulang 20 November 2026 — tidak ada perubahan yang ditemukan. Yang perlu kamu waspadai adalah tanggal yang sudah diumumkan sebelumnya: Gemini 4 Argon naik dari $2 ke $4 per 1 Desember 2026, dan Gemini 3.8 Flash naik dari $0,75 ke $1,50 per 1 Januari 2027.
Penutup: caching itu seperti kartu member — cuma jalan kalau kamu datang cukup sering, dengan pesanan yang sama
Kalau tiap datang kamu pesan menu yang berbeda (prefix berubah), kartunya tidak kepakai. Kalau kamu datang sebulan sekali (TTL habis), kartunya kedaluwarsa. Kalau pesananmu terlalu kecil (di bawah minimum), tidak ada diskon yang berlaku. Dan kalau pelayan tidak pernah mencatat nomor member-mu (cache_control tidak sampai ke provider), diskon itu tidak pernah diberikan — seberapa pun sering kamu datang.
Tidak satu pun dari empat hal itu berarti kartunya palsu — semuanya bisa ditemukan dalam lima menit dari angka usage. Jadi sebelum mematikan caching, lakukan audit lima menit di atas: catat hit rate-mu minggu ini, perbaiki satu penyebab, dan ukur lagi minggu depan.
Sumber dan bacaan lanjutan
- Dokumentasi Anthropic — Prompt caching: https://platform.claude.com/docs/en/build-with-claude/prompt-caching
- Halaman pricing Claude Platform: https://platform.claude.com/docs/en/about-claude/pricing
- Dokumentasi Google — Context caching di Gemini API: https://ai.google.dev/gemini-api/docs/caching/
- Halaman pricing Gemini API: https://ai.google.dev/gemini-api/docs/pricing
- Dokumentasi OpenAI — Prompt caching: https://developers.openai.com/api/docs/guides/prompt-caching
- OpenAI Cookbook — Prompt Caching 101: https://developers.openai.com/cookbook/examples/prompt_caching101
- Artikel Komunitech — Prompt Caching: Cara Hemat Biaya API sampai 90% (angka harga/TTL/minimum dipakai ulang, verifikasi 19 Nov 2026, dicek ulang 20 Nov 2026): https://komunitech.com/blog/tutorial/prompt-caching-cara-hemat-biaya-api/
- Dev.to — Anthropic Prompt Caching Saves 90% (field usage, rumus hit rate, batas 20 blok): https://dev.to/gabrielanhaia/anthropic-prompt-caching-saves-90-heres-the-one-caveat-nobody-mentions-258k
- CtxWire — How to Fix Prompt Cache Misses in OpenAI and Anthropic (diagnostik, field OpenAI, rumus hit rate): https://www.ctxwire.com/articles/fix-prompt-cache-misses/
- ModelOperator — Prompt Caching Not Working? A Prefix Diagnostic (protokol diagnostik, implicit vs explicit GPT-5.6+): https://www.modeloperator.io/blog/prompt-caching-not-working-prefix-check
- DataStudios — Gemini API implicit caching returns 0 cached tokens (field
cachedContentTokenCounthilang saat nol, verifikasi 14 Nov 2026): https://www.datastudios.org/post/gemini-api-implicit-caching-0-cached-tokens-causes-fixes - OpenAI — Introducing GPT-6 Sol and Luna (Prompt Caching Dashboard, alat diagnostik): https://openai.com/index/introducing-gpt-6-sol-and-luna/
- Forum komunitas n8n — Anthropic Prompt Caching for Tool-Heavy Agents in n8n (node standar tidak mengekspos cache-control, PR #22318 ditutup Mei 2026): https://community.n8n.io/t/anthropic-prompt-caching-for-tool-heavy-agents-in-n8n/299640
- Forum komunitas n8n — Does n8n support Anthropic Prompt Caching in the AI Agent Node?: https://community.n8n.io/t/does-n8n-support-anthropic-prompt-caching-in-the-ai-agent-node/301467










Tinggalkan Balasan