LLM Apps in Production (RAG + Vector DB + Caching) · บทเรียน

การผสานการแคชเข้ากับไปป์ไลน์ RAG

สร้างชั้นแคชภายในแอปพลิเคชัน RAG เพื่อจัดเก็บและค้นคืนคำตอบหรือบริบทที่สร้างหรือค้นคืนไว้ก่อนหน้านี้

การผสานการแคชเข้ากับไปป์ไลน์ RAG เป็นบทเรียน LLM Apps in Production (RAG + Vector DB + Caching) ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน LLM Apps in Production (RAG + Vector DB + Caching) และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส LLM Apps in Production (RAG + Vector DB + Caching) มีบทเรียนทั้งหมด 4 บทเรียน

บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ

Intro to RAG Caching

Welcome to the final lesson on caching! We've learned why caching is vital and explored different strategies.

Now, let's get practical. This lesson focuses on integrating caching directly into your RAG pipeline to boost performance and cut costs.

Where to Cache in RAG

In a RAG pipeline, there are two primary points where caching offers significant benefits:

Retrieval Step: Caching the documents retrieved by your vector database.
Generation Step: Caching the final response generated by the Large Language Model (LLM).

Each point addresses different bottlenecks.

Caching Retrieved Context

When a user asks a question, your RAG system first queries a vector database to find relevant documents (the 'context').

If the same question (or a very similar one) is asked again, why re-query the vector database? Caching the retrieved documents can save significant time and resources.

Key: User's query (or its embedding).
Value: List of retrieved documents/chunks.

Caching LLM Responses

After retrieving context, your RAG system sends the user's query and the context to an LLM to generate a final answer.

LLM calls are often the most expensive and slowest part. Caching the final generated response for a given query and context pair is highly effective.

Key: Tuple of (User Query, Retrieved Context).
Value: LLM's generated answer.

Simple In-Memory Cache

For demonstration, we'll use a basic Python dict as an in-memory cache. In real-world scenarios, you'd use dedicated caching libraries or external services like Redis.

The core idea is to:

Check if a result for the current input exists in the cache.
If yes (cache hit), return the cached result immediately.
If no (cache miss), compute the result, store it in the cache, then return it.

Python: Caching LLM Calls

Here's a simple Python example demonstrating how to cache results from a simulated LLM call. Notice how the 'actual LLM call' only happens once for the same input.

import time

# Simulate an expensive LLM call
def mock_llm_call(prompt, context):
    print(f"DEBUG: Making actual LLM call for: '{prompt}'")
    time.sleep(1) # Simulate network delay
    return f"Response to '{prompt}' with context: {context}"

# Simple in-memory cache
llm_cache = {}

def get_llm_response_cached(prompt, context):
    cache_key = (prompt, context) # Use a tuple as the key
    if cache_key in llm_cache:
        print("DEBUG: Cache hit!")
        return llm_cache[cache_key]
    else:
        print("DEBUG: Cache miss. Calling LLM...")
        response = mock_llm_call(prompt, context)
        llm_cache[cache_key] = response
        return response

# Main execution
if __name__ == "__main__":
    print("--- First call ---")
    response1 = get_llm_response_cached(
        "What is RAG?", 
        "RAG combines retrieval with generation."
    )
    print(f"Result 1: {response1}\n")

    print("--- Second call (same query/context) ---")
    response2 = get_llm_response_cached(
        "What is RAG?", 
        "RAG combines retrieval with generation."
    )
    print(f"Result 2: {response2}\n")

    print("--- Third call (different query) ---")
    response3 = get_llm_response_cached(
        "How does RAG work?", 
        "RAG uses a retriever and a generator."
    )
    print(f"Result 3: {response3}\n")

Understanding the Cache Output

Run the code and observe the output:

For the first call, you'll see "DEBUG: Making actual LLM call...".
For the second call with identical inputs, you'll see "DEBUG: Cache hit!" and no actual LLM call. This saves time and cost!
For the third call with different inputs, it's a cache miss, so another LLM call is made.

This demonstrates the core mechanism of caching LLM responses.

Integrating Cache into Retrieval

You can apply a similar caching pattern to the retrieval step. Before querying your vector database, check if the user's query (or its embedding) has been seen before.

If a cached result (the list of relevant documents) exists, skip the vector database lookup and proceed directly to the LLM call with the cached context.

This reduces load on your vector database and speeds up retrieval.

Cache Invalidation & TTL

While caching is powerful, cached data can become stale. For dynamic information, you need a strategy to clear or update the cache.

Time-To-Live (TTL): Automatically remove entries after a set period.
Least Recently Used (LRU): Evict the oldest entries when the cache is full.
Event-driven: Invalidate cache entries when source data changes.

Choosing the right strategy depends on your data's freshness requirements.

Cache Integration Check

You've learned how to integrate caching at different points in a RAG pipeline. Let's test your understanding!

Recap: Caching in RAG

Great job! In this lesson, we put theory into practice.

We identified key integration points for caching in a RAG pipeline: retrieval and generation.
We explored how caching retrieved contexts and LLM responses can significantly improve performance and reduce operational costs.
You saw a practical Python example of how to implement a basic in-memory cache for LLM calls.
We briefly touched on cache invalidation strategies like TTL.

You're now equipped to start integrating caching into your own RAG applications!

คำถามที่พบบ่อย

บทเรียน “การผสานการแคชเข้ากับไปป์ไลน์ RAG” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การผสานการแคชเข้ากับไปป์ไลน์ RAG” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส LLM Apps in Production (RAG + Vector DB + Caching) ให้อัปเกรดเป็น CoddyKit PRO คอร์ส LLM Apps in Production (RAG + Vector DB + Caching) มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การผสานการแคชเข้ากับไปป์ไลน์ RAG”

สร้างชั้นแคชภายในแอปพลิเคชัน RAG เพื่อจัดเก็บและค้นคืนคำตอบหรือบริบทที่สร้างหรือค้นคืนไว้ก่อนหน้านี้ คุณปฏิบัติ LLM Apps in Production (RAG + Vector DB + Caching) ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน LLM Apps in Production (RAG + Vector DB + Caching) หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน LLM Apps in Production (RAG + Vector DB + Caching) บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน

บทเรียน “การผสานการแคชเข้ากับไปป์ไลน์ RAG” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน LLM Apps in Production (RAG + Vector DB + Caching) นี้ได้ไหม

ได้ บทเรียน LLM Apps in Production (RAG + Vector DB + Caching) ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ LLM Apps in Production (RAG + Vector DB + Caching)