実装パターン（セマンティックキャッシュ）（ジッソウパターン（セマンティックキャッシュ））
セマンティックキャッシュの実装はGPTCache、Redis + Vector DB、LangChain CacheBackedEmbeddingsの3パターンが主流で、それぞれOSS完結型・インフラ統合型・フレームワーク統合型の特徴を持つ。
概要
3つの主要パターン: (1) GPTCache専用OSSライブラリ、(2) Redis+ベクトルDB自前構築、(3) LangChain/LlamaIndex統合キャッシュ。いずれも「Embedding生成→ベクトル検索→閾値判定→ヒット/ミス」の共通フローだが運用の柔軟性とスケーラビリティが異なる。
GPTCache
Zilliz社（Milvus開発元）のOSSライブラリ。4コンポーネント構成: Pre-processor、Embedding Generator（OpenAI/ONNX/HF対応）、Cache Manager（FAISS/Milvus/SQLite/ChromaDB）、Post-processor。pip installでOpenAI APIのドロップインリプレースメントとして動作。
Redis + Vector DB構成
| コンポーネント | 選択肢 | 役割 |
|---|---|---|
| キャッシュストア | Redis | LLM応答保存、TTL管理 |
| ベクトルDB | Qdrant/Pinecone/Weaviate | Embedding保存と類似度検索 |
| Embeddingサービス | OpenAI API/ローカルモデル | クエリのベクトル化 |
Redis 7.2以降のRedis Stack（RediSearch）でベクトル検索をネイティブサポートし、外部ベクトルDB不要で構築可能。
LangChain Cache
CacheBackedEmbeddingsでEmbedding再計算を回避。GPTCacheバックエンドのキャッシュクラスでChain/Agentパイプラインに透過的に組み込み可能。LlamaIndexのIngestionCache/QueryCacheも同等機能を提供。
実装パターン比較
| 項目 | GPTCache | Redis+VectorDB | LangChain |
|---|---|---|---|
| 導入難易度 | 低い | 中〜高 | 低い |
| スケーラビリティ | 中 | 高い | 中 |
| カスタマイズ性 | 高い | 最高 | 中 |
| 本番信頼性 | 中 | 高い | 中 |
| 言語 | Python | 全言語 | Python |
| 運用コスト | 低い | 中〜高 | 低い |
よくある質問（FAQ）
Q1: 既存アプリに後付けできる？
可能。GPTCacheのOpenAI互換I/Fで既存コード無修正。LangChainはllm_cache設定変更のみ。APIゲートウェイにリバースプロキシ型で挟む方法も有効。
Q2: ベクトルDBの選び方は？
10万件以下: pgvectorかRedis Stack。10万〜1000万件: QdrantかMilvusマネージド。フルマネージド希望: Pinecone（コスト最高）。
Q3: GPTCacheの本番利用は？
単一プロセスでは安定だが、マルチノードスケールアウトにはMilvusクラスター必要。小〜中規模やPoC向け。
まとめ
導入容易さ優先ならGPTCache/LangChain、本番スケーラビリティ重視ならRedis+VectorDB。Embeddingモデル選択と閾値チューニングがいずれのパターンでも重要。