为何 Agent 缓存失效及其修复之道：基于少样本学习的结构化意图规范化

个人 AI 代理因重复调用 LLM 产生高昂成本。现有缓存方法因优化目标错误（追求分类准确率而非键的一致性）而失效。本文提出 W5H2 结构化意图分解框架，将缓存键评估转化为聚类评估。实验表明，该方法在多个基准测试中显著优于 GPTCache 和大参数 LLM，推理速度提升千倍以上。通过五级级联架构，可本地处理 85% 的交互，预计降低 97.5% 的成本，并提供风险控制的预测保证。