人工智能实战：大模型缓存污染怎么排查？从前期误命中发现到 Cache Scope、版本隔离与失效策略一、问题场景：缓存命中率上去了，答错率也上去了缓存是大模型系统降本增效的重要手段。但缓存也可能变成事故源。我见过一个真实问题：系统上线语义缓存后，缓存命中率从：12% 提升到 41%成本确实下降了。但用户反馈开始增加：1. 普通员工命中了销售场景答案 2. 新制度发布后仍返回旧制度 3. 不同租户命中了同一答案 4. 多轮上下文下命中错误缓存这就是缓存污染。最典型的一条：用户 A 问：销售去一线城市拜访客户住宿费多少？答案：650元用户 B 问：普通员工去一线城市住宿费多少？语义缓存认为相似，于是返回：650元