Gemini 4 Neon Context Caching: วิธีรับส่วนลดถึง 95%

Gemini 4 Neon แคช prefix ของ prompt ที่ซ้ำกันโดยอัตโนมัติ และคิดค่าใช้จ่ายเพียง $0.15 ต่อ 1M tokens แทนที่จะเป็น $3 บทความนี้จะอธิบายวิธีจัดโครงสร้าง prompt เพื่อให้ตรงกับแคช สิ่งที่เปลี่ยนแปลงใน agent loop และวิธียืนยันว่าเกิด cache hit หรือไม่ผ่านค่า usage.total_cached_tokens

Ashley Goolam

Ashley Goolam

19 November 2026

Gemini 4 Neon Context Caching: วิธีรับส่วนลดถึง 95%

Apidog สำหรับองค์กร

การติดตั้งแบบ On-Premises

SSO & RBAC

รองรับมาตรฐาน SOC 2

สำรวจ Apidog Enterprise

Gemini 4 Neon ใช้การแคช context แบบ implicit เท่านั้น คุณไม่ต้องสร้างแคชเอง Google จะแคช prompt prefix ที่ซ้ำกันซึ่งมีความยาวอย่างน้อย 4,096 tokens โดยอัตโนมัติ และคิดค่าบริการ input tokens ที่แคชแล้วที่ $0.15 ต่อ 1M แทนที่จะเป็น $3 ซึ่งเท่ากับส่วนลด 95% วิธีได้ส่วนลดนี้คือการวางส่วนที่คงที่ของทุก request ไว้ด้านหน้าและให้เหมือนกันแบบ byte-for-byte จากนั้นยืนยันผลแคชผ่าน usage.total_cached_tokens

เนื้อหาด้านล่างนี้ประกอบด้วย: การจัดวาง prompt เพื่อให้ติดแคช กฎสำหรับ agent loop วิธีอ่านค่าจำนวน cached tokens และการทดสอบที่ coding agent ของคุณรันให้

การแคช context ของ Gemini 4 Neon ทำงานอย่างไร?

การแคช context ของ Gemini 4 Neon เป็นการแคช prefix แบบอัตโนมัติ เมื่อ request ใหม่เริ่มต้นด้วย tokens ชุดเดียวกันกับ request ก่อนหน้า และ prefix ที่ซ้ำกันนั้นมีความยาวอย่างน้อย 4,096 tokens Google จะให้บริการส่วนที่ซ้ำจากแคช และคิดค่าบริการตามอัตรา cached ไม่มีอะไรต้องเปิดใช้งาน ไม่มี cache object, TTL หรือค่าธรรมเนียมการจัดเก็บให้ต้องจัดการ

Google เปิดตัว Neon เมื่อวันที่ 18 พฤศจิกายน 2026 (model ID gemini-4-neon ดูโพสต์เปิดตัว) ข้อมูลเกี่ยวกับการแคชของมันสรุปได้ในตารางเดียว:

รายการ Gemini 4 Neon
โหมดการแคช Implicit เท่านั้น เปิดใช้โดยค่าเริ่มต้น
Explicit caching (cachedContents, caches.create) ไม่รองรับ
Prefix ขั้นต่ำสำหรับ cache hit 4,096 tokens
Input มาตรฐาน $3.00 ต่อ 1M tokens
Cached input (Standard) $0.15 ต่อ 1M tokens
Cached input (Batch และ Flex) $0.075 ต่อ 1M tokens
Cached input (Priority) $0.27 ต่อ 1M tokens
ดูผลแคชได้ที่ usage.total_cached_tokens
Free tier ไม่มี มีเฉพาะ paid tier

ส่วนลดอยู่ที่ 95% ในทุก tier: $0.15 คือ 5% ของ $3, $0.075 คือ 5% ของ $1.50 และ $0.27 คือ 5% ของ $5.40 Output tokens รวมถึง thinking tokens ยังคงอยู่ที่ $15 ต่อ 1M ใน Standard การแคชมีผลกับ input เท่านั้น

Implicit caching กับ explicit caching ของ Gemini 4 Neon

หากคุณเคยใช้ explicit caching บน Gemini 2.5 หรือ 3 นี่คือการเปลี่ยนแปลงที่จะทำให้โค้ดพัง บันทึกการย้ายมาใช้ Neon ของ Google ระบุชัดเจนว่า Gemini 4 Neon “ไม่รองรับ explicit caching (cachedContents และ caches.create)” และคุณควร “ลบฟิลด์ cached_content ออกจาก requests”

เอกสารเกี่ยวกับการแคชเพิ่มเติมว่า Interactions API รองรับเฉพาะ implicit caching และ explicit caching ไม่พร้อมใช้งานสำหรับโมเดล Gemini 4 ทุกรุ่น ส่วน explicit cache ยังคงทำงานได้บนโมเดล Gemini 3 และ 2.5 ที่รองรับผ่าน generateContent

สิ่งที่หมายถึงสำหรับการย้ายระบบ:

  1. ลบโค้ดที่เรียก caches.create และเก็บชื่อแคช
  2. ลบ cached_content ออกจาก request body ทุกตัว
  3. หยุดจ่ายค่าจัดเก็บแคชที่คุณไม่ได้ใช้แล้ว
  4. จัดโครงสร้าง prompt ใหม่เพื่อให้เนื้อหาที่คุณเคยแคชแบบ explicit อยู่ตอนต้นสุดของแต่ละ request

คุณไม่สามารถ pin เอกสารหรือเลือก TTL ได้ และการติดแคชก็ไม่ได้รับประกัน แต่คุณสามารถเพิ่มโอกาสได้อย่างมาก

วิธีจัดโครงสร้าง prompt ให้ติดแคชของ Gemini 4 Neon

การติดแคชต้องมี prefix ที่ยาว เหมือนกัน และถูกส่งซ้ำในช่วงเวลาใกล้กัน เอกสารของ Google ให้คำแนะนำสองข้อ: วางเนื้อหาที่มีขนาดใหญ่และใช้ร่วมกันไว้ตอนต้นของ prompt และส่ง request ที่มี prefix คล้ายกันภายในระยะเวลาอันสั้น

สอง request ของ Gemini 4 Neon ที่ใช้ stable prefix เหมือนกันประกอบด้วย system instruction, คำจำกัดความ tools และเอกสาร รวมกันเกิน 4,096 tokens ซึ่งคิดค่าบริการที่ $0.15 ต่อ 1M เมื่อติดแคช ตามด้วยคำถามใหม่ที่แตกต่างกันซึ่งคิดค่าบริการที่ $3 ต่อ 1M

จัดเรียงทุก request ตามลำดับนี้:

  1. System instruction. ข้อความคงที่ ไม่มี timestamps, ชื่อผู้ใช้ หรือ request IDs
  2. การประกาศ tools และ functions. รายการเดิม ลำดับเดิม คำอธิบายเดิมทุกครั้ง
  3. เอกสารที่ใช้ร่วมกัน. Codebase, สัญญา, API spec, ไฟล์นโยบายที่ยาว
  4. ส่วนที่เปลี่ยนแปลง. คำถามของผู้ใช้, ผลลัพธ์ tool ล่าสุด, วันที่ปัจจุบัน

สาเหตุที่พบบ่อยที่สุดที่ทำให้พลาดแคชคือค่า dynamic เล็ก ๆ ที่อยู่ใกล้ตอนต้น บรรทัดอย่าง Current time: 2026-11-19T09:14:02Z ใน system instruction จะเปลี่ยน prefix ในทุกการเรียก ทำให้ทุกอย่างหลังจากนั้นไม่สามารถจับคู่ได้ ย้ายมันไปไว้ตอนท้าย หลังเอกสาร

ตัวทำลาย prefix อื่น ๆ: รายการ tools ที่สร้างตามลำดับสุ่ม, เอกสารที่ serialize ใหม่ด้วยช่องว่างที่ต่างกัน และ chunks ที่ดึงมาแล้วส่งกลับตามลำดับที่ต่างกัน

รักษา prefix ให้เกิน 4,096 tokens โดย system prompt ที่ยาว 2,000 tokens เพียงอย่างเดียวจะไม่ผ่านเกณฑ์ แต่ถ้าคุณส่งเอกสารยาวที่ใช้ร่วมกันพร้อมกันไป prefix รวมก็จะผ่าน

เมื่อใช้ Interactions API ให้ส่ง instruction ที่คงที่ผ่าน system_instruction และวางเอกสารไว้ต้นสุดของ input:

from google import genai

client = genai.Client()  # reads GEMINI_API_KEY

SYSTEM = open("review_rules.md").read()      # fixed text
CODEBASE = open("repo_snapshot.txt").read()  # ~200K tokens, unchanged

def ask(question: str):
    interaction = client.interactions.create(
        model="gemini-4-neon",
        system_instruction=SYSTEM,
        input=CODEBASE + "\n\nQuestion: " + question,
    )
    print("cached tokens:", interaction.usage.total_cached_tokens)
    return interaction

ask("Where do we validate JWT expiry?")
ask("Which handlers skip input validation?")

การเรียกครั้งแรกจะเติมแคช หากการเรียกครั้งที่สองแสดงค่า cached tokens เป็น 0 แปลว่ามีบางอย่างใน prefix เปลี่ยนไป

Implicit caching ทำงานได้ในทั้งสองโหมดการสนทนา การเรียกแบบ stateless เช่นตัวอย่างด้านบนมีสิทธิ์ใช้งาน และ session แบบ stateful ที่ต่อกันด้วย previous_interaction_id ก็เช่นกัน สำหรับรูปแบบ request แบบเต็ม ดูคู่มือ Gemini 4 Neon API ของเรา

การทำงานของแคชใน agent loops: กฎ 2,050 tokens

Agent loops คือจุดที่การแคชให้ผลตอบแทนสูงสุด เพราะแต่ละ turn ต้องส่งประวัติทั้งหมดซ้ำ โมเดล Gemini 4 มีกฎเพิ่มเติมหนึ่งข้อที่คุณต้องรู้ จากเอกสารการแคชของ Google: “Gemini จะแคช request ก่อนหน้าทั้งหมดก็ต่อเมื่อ request ใหม่เพิ่ม tokens อย่างน้อย 2,050 tokens” ซึ่ง output ของโมเดล, thoughts และ function results ทั้งหมดนับรวมในยอดนี้

หาก turn หนึ่งเพิ่ม tokens น้อยกว่า 2,050 tokens Gemini จะประมวลผล 2,050 tokens สุดท้ายของ request ก่อนหน้าซ้ำตามอัตรา input มาตรฐาน ส่วนต้นของ prefix ยังอาจติดแคชได้ แต่ส่วนท้ายนั้นจะถูกคิดค่าที่ $3 ต่อ 1M

Google ระบุว่า turn ของ agent ส่วนใหญ่เกินเกณฑ์นี้ ปัญหาจะเกิดใน loops ที่มีการสื่อสารถี่แต่ทำงานเล็ก ๆ เช่น status check ที่คืนค่า {"ok": true} ค่าใช้จ่ายต่อ turn นั้นน้อย (2,050 tokens ที่ $3 ต่อ 1M คือประมาณ $0.006) แต่จะสะสมเพิ่มขึ้นในหลายพัน turn สั้น ๆ หาก loop ของคุณเรียกเล็ก ๆ หลายครั้ง ให้รวมผลลัพธ์ของ tools เล็ก ๆ เป็น turn เดียวหาก logic ของคุณอนุญาต

การแคช context ของ Gemini 4 Neon ช่วยประหยัดได้เท่าไร?

สมมติว่ามีผู้ช่วยตรวจสอบโค้ดที่ตอบคำถาม 20 ข้อเกี่ยวกับ codebase ขนาด 200,000 tokens แต่ละคำถามเพิ่ม 3,000 tokens และได้คำตอบ 1,000 tokens บน tier Standard

กรณีไม่ติดแคช แต่ละครั้งมีค่าใช้จ่าย:

กรณีติดแคชหลังจากการเรียกครั้งแรก การเรียกครั้งที่ 2 ถึง 20 มีค่าใช้จ่าย:

รวมการเรียกครั้งแรกที่ไม่ติดแคช $0.624 session ทั้งหมดมีค่าใช้จ่าย $1.65 ประหยัดได้ประมาณ 87%

แผนภูมิแท่งแสดง session ของ Gemini 4 Neon ที่ตอบ 20 คำถามเกี่ยวกับ codebase 200K tokens บน tier Standard: $12.48 เมื่อไม่ติดแคช และ $1.65 เมื่อติดแคชหลังการเรียกครั้งแรก

การประหยัดต่ำกว่า 95% เพราะ output และ input ใหม่ไม่ได้รับส่วนลด ยิ่ง shared prefix ใหญ่เมื่อเทียบกับส่วนอื่น ยิ่งเข้าใกล้ 95% ของ input มากขึ้น หากรันงานเดียวกันผ่าน Batch อัตรา cached จะลดลงอีกครึ่งหนึ่งเหลือ $0.075 สำหรับตารางราคาเต็มและค่าใช้จ่ายระดับ thinking ดูราคา Gemini 4 Neon

วิธีตรวจสอบ cached tokens ของ Gemini 4 Neon ใน response

อ่านค่า usage.total_cached_tokens จากทุก response Google ระบุว่าเป็นฟิลด์ที่แสดงจำนวน tokens ที่ติดแคช ทั้งใน Python และ JavaScript SDKs

ด้วย curl และ jq:

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json | jq '.usage'

ในการคำนวณราคาของการเรียก ให้คิดค่า cached tokens ที่ $0.15 ต่อ 1M, input ที่เหลือที่ $3 และ output รวมถึง thinking ที่ $15 บันทึกจำนวน cached tokens ไว้ข้าง request ID ของคุณ หากค่าดรอปเหลือ 0 อย่างฉับพลันในทุก traffic มักหมายถึงการ deploy ได้เปลี่ยน prefix: เพิ่ม tool ใหม่, แก้ไขข้อความกฎ หรือ timestamp หลุดเข้ามาใน system instruction

ให้ coding agent ของคุณทดสอบ cache hits ด้วย Apidog CLI

Prefix มักพังระหว่างการ refactor ปกติ และไม่มีใครสังเกตเห็นจนกว่าใบแจ้งยอดจะมาถึง เปลี่ยนการตรวจสอบแคชให้เป็น API test ที่ coding agent ของคุณดูแลและ CI รันให้

Apidog CLI ช่วยให้ Claude Code, Codex, Cursor หรือ OpenCode สร้างและรัน API tests จาก terminal ได้ ตั้งค่าครั้งเดียว:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

จากนั้นสั่ง agent ของคุณด้วย prompt เดียว:

In Apidog project <id>, create an environment for the Gemini API with a
GEMINI_API_KEY variable. Build a test scenario called "Neon cache hit" with two
steps that POST to /v1beta/interactions with model gemini-4-neon, using our
production system_instruction and the docs/context.md file as the start of
input, then two different questions. Assert HTTP 200 on both, and assert that
usage.total_cached_tokens on step 2 is greater than 4096. Run it and tell me
the cached token count.

Agent จะสร้าง environment และ scenario, ตรวจสอบ payload กับ schema ของ CLI และรัน:

apidog environment create gemini-api --project <id> --base-url https://generativelanguage.googleapis.com
apidog test-scenario create --project <id> --name "Neon cache hit"
apidog cli-schema get test-scenario-update
apidog cli-schema validate test-scenario-update --file scenario.json
apidog test-scenario update <scenarioId> --project <id> --file scenario.json
apidog run -t <scenarioId> --project <id> -e <envId> -r cli,json

หากเดือนหน้ามีคนเพิ่ม timestamp ลงใน system prompt assertion ของ step 2 จะ fail ก่อนที่การเปลี่ยนแปลงจะถูกส่งขึ้น ใส่ apidog run -t <scenarioId> --project <id> -e <envId> -r junit ลงใน pipeline ของคุณพร้อมคู่มือ Apidog CLI CI/CD หรือเริ่มจากApidog CLI ใน Claude Code แต่ละการรันจะเรียก Neon จริงสองครั้ง จึงมีค่าใช้จ่ายไม่กี่เซ็นต์ต่อการรันตามอัตราข้างต้น แผน Free ของ Apidog รองรับผู้ใช้ได้ถึง 4 คน

สำหรับวิธีทำงานของ prefix caching ในผู้ให้บริการต่าง ๆ ดูprompt caching คืออะไร

คำถามที่พบบ่อย

Gemini 4 Neon รองรับ explicit context caching หรือไม่? ไม่ คู่มือ Neon ของ Google ระบุว่าไม่รองรับ cachedContents หรือ caches.create และคุณควรลบ cached_content ออกจาก requests Neon ใช้ implicit caching เท่านั้น ซึ่งเปิดใช้โดยค่าเริ่มต้น

ขนาด prompt ขั้นต่ำสำหรับ cache hit ของ Gemini 4 Neon คือเท่าไร? 4,096 tokens ของ shared prefix ซึ่งเท่ากับขั้นต่ำของ Gemini 4 Hydrogen, Argon และ Carbon ส่วน Gemini 2.5 Flash และ Pro ต้องการ 2,048

ส่วนลดการแคชของ Gemini 4 Neon มีขนาดเท่าไร? 95% สำหรับ cached input Standard ลดจาก $3 เหลือ $0.15 ต่อ 1M tokens, Batch และ Flex จาก $1.50 เหลือ $0.075 และ Priority จาก $5.40 เหลือ $0.27 Output และ thinking tokens ไม่ได้รับส่วนลด

ฉันสามารถบังคับให้ Gemini 4 Neon แคช prompt ได้หรือไม่? ไม่ได้ Implicit caching ไม่มีการตั้งค่าให้เปิด, ไม่มี TTL ให้เลือก และไม่รับประกันว่าจะติดแคช คุณสามารถเพิ่มโอกาสได้โดยรักษา prefix ที่ยาวและเหมือนกันไว้ตอนต้นของแต่ละ request และส่ง request ที่คล้ายกันในช่วงเวลาใกล้กัน

ฉันจะรู้ได้อย่างไรว่า request ของฉันติดแคช? ตรวจสอบ usage.total_cached_tokens ใน response ค่าที่มากกว่าศูนย์หมายความว่า input tokens จำนวนเท่านั้นถูกคิดค่าตามอัตรา cached

การแคชทำงานกับ previous_interaction_id หรือไม่? ทำงาน Google ระบุในเอกสารว่า implicit caching ทำงานได้ทั้งในการสนทนาแบบ stateful ที่ต่อกันด้วย previous_interaction_id และแบบ stateless ที่คุณส่งประวัติทั้งหมดเอง

ฝึกการออกแบบ API แบบ Design-first ใน Apidog

ค้นพบวิธีที่ง่ายขึ้นในการสร้างและใช้ API