简介：围绕节点式AI绘图框架的缓存机制，系统对比经典策略（CLASSIC）、LRU策略、内存压力策略（RAM_PRESSURE）与无缓存（NONE）四种方案在缓存键计算、命中条件、过期时机、内存占用与运维成本上的差异，并结合多模型、多LoRA、多工作流场景给出选型建议与切换注意事项，帮助读者在算力利用率、内存安全与迭代效率之间做出合理权衡。

一、对比背景：为什么缓存策略值得专门比较

围绕节点式 AI 绘图框架，大家讨论最多的通常是节点用法、工作流编排和算力配置，真正深入看缓存细节的人其实不多。但如果把“学习这类框架的正确路线”拆开来看，节点和工作流只是入门，缓存机制才是进阶绕不开的一环。原因在于：只要你开始在一台机器上同时堆叠多个模型、多个 LoRA、多套工作流，缓存策略就会直接决定三件事：

你是在浪费算力，还是把显存和内存用在刀刃上；
容器会不会莫名其妙地 OOM（内存溢出）；
工作流切换时，是“秒级热身”还是“从头再来”。

本文将框架当前主流的缓存架构与四类策略——CLASSIC（经典）、LRU（最近最少使用）、RAM_PRESSURE（内存压力感知）、NONE（无缓存）——放在一起，围绕“键怎么算、什么时候命中、什么时候过期”三个核心问题做系统对比，并给出多模型、多 LoRA、多工作流场景下的选型建议。

二、对象定义：两路缓存与四种策略

2.1 两类缓存：outputs 与 objects

执行一个工作流时，框架内部维护两类缓存：

outputs 缓存：存放节点的中间结果与 UI 输出。命中时可以直接跳过节点执行，这是真正省计算、省时间的地方。
objects 缓存：存放节点对象实例（类实例），避免每次执行都重新构造节点对象。它省的是对象初始化开销，规模和收益都远小于前者。

两类缓存由一个统一的缓存集合类管理。策略的定义与选择逻辑可以用示意代码理解：

# 缓存策略枚举（示意）
class CacheType(Enum):
    CLASSIC = 0        # 经典策略：尽量保留所有输出
    LRU = 1            # 最近最少使用：按条目数设上限
    NONE = 2           # 完全关闭缓存
    RAM_PRESSURE = 3   # 内存压力感知：按内存水位设上限

2.2 四种策略与选择优先级

从启动参数到缓存策略的选择，大致遵循这样的优先级：

显式指定 LRU 相关参数 → 使用 LRU 策略；
否则指定内存阈值相关参数 → 使用 RAM_PRESSURE 策略；
否则指定关闭缓存参数 → 使用 NONE 策略；
都未指定 → 默认使用 CLASSIC 策略。

需要特别强调：不同策略只改变 outputs 缓存的实现方式，而 objects 缓存基本始终采用层级键结构（按节点 ID 与节点类型组织）。这意味着切换策略主要影响“中间结果能不能被复用”，而不是节点对象的构造行为。

三、相同点分析

四种策略行为差异明显，但底层逻辑多处一致：

目标一致：都是为了跳过“输入没有变化的节点”的重复执行，缩短二次运行时间。
键的思路一致：outputs 缓存统一按输入签名做键，本质是“内容寻址”的变化指纹——由节点类型、输入参数与上游输出指纹共同决定；objects 缓存统一按（节点 ID，节点类型）做键。策略差异不体现在键的计算上，而体现在“命中后保留多久、何时被清理”。
级联特性一致：上游任何一个参数（如随机种子）变化，都会让下游所有节点的签名连锁失效，这一点与选择哪种策略无关。
配置方式一致：均通过启动参数选择，不影响工作流本身的定义与语义。

# outputs 缓存键（示意）
def outputs_key(node):
    return hash(
        node.class_type,      # 节点类型
        node.inputs,          # 输入参数与连线关系
        upstream_keys(node)   # 上游输出签名指纹（级联传播）
    )
# objects 缓存键（示意）
def objects_key(node):
    return (node.node_id, node.class_type)

四、核心差异分析

4.1 什么时候命中

CLASSIC：只要节点签名匹配、且条目仍在缓存中，即命中。同一工作流反复迭代调参时命中率最高。
LRU：签名匹配之外，还要求条目处于“最近使用的前 N 项”保留窗口内，被挤出窗口的历史条目无法命中。
RAM_PRESSURE：签名匹配之外，还要求条目未被内存压力清理掉。当前执行路径上的输出通常优先保留，不在路径上的历史分支更容易被淘汰。
NONE：outputs 永不命中，每次执行都完整重算（objects 缓存仍按默认层级结构工作）。

4.2 什么时候过期

CLASSIC：主动保留、被动清理。签名变化、工作流结构变化、被其他工作流条目挤占或内存不足时才清理。
LRU：超过容量上限即清理，最久未使用的条目先淘汰，行为可预期。
RAM_PRESSURE：以系统内存水位为界。内存占用超过设定阈值（常见实现中默认约 16GB，实际以所用版本为准）时，清理不在当前执行路径上的输出。
NONE：每次执行结束后即丢弃，不存在“过期”概念。

4.3 资源占用与 OOM 风险

CLASSIC：内存占用最高且难以精确预测，旧输出可能不断累积，是容器环境中 OOM 风险最高的策略。
LRU：占用上限由条目数决定，可以预算，但不同节点输出的内存差异较大，设定时需留余量。
RAM_PRESSURE：占用上限由内存水位决定，自适应性强，但清理动作本身有开销，水位逼近阈值时可能出现清理抖动。
NONE：占用最低，但重复计算最多，吞吐最差。

4.4 运维与配置复杂度

CLASSIC 与 NONE 零配置，开箱即用；
LRU 需要估计“常用工作流的工作集规模”来设定容量；
RAM_PRESSURE 需要结合机器总内存、模型加载占用和框架自身开销设定阈值，并依赖内存监控验证效果。

五、对比表格

对比维度	CLASSIC	LRU	RAM_PRESSURE	NONE
核心思路	尽量保留所有输出	只保留最近使用的 N 项	内存超阈值时清理非当前路径输出	不保留任何输出
命中条件	签名匹配且条目未被清理	签名匹配且在保留窗口内	签名匹配且未被水位清理	永不命中
过期时机	签名变化、内存不足或被挤占	超容量上限，最久未用先淘汰	内存超过设定阈值	执行后即弃
内存占用	最高且不可预测	有确定上限（按条目数）	有上限（按内存水位）	最低
重复计算	最少（内存充足时）	取决于容量与轮换频率	取决于阈值与并发	每次全量重算
配置成本	零配置	需估计工作集大小	需设定合理阈值	零配置
容器 OOM 风险	最高	较低	较低（依赖阈值设定）	最低
典型场景	单工作流反复迭代	少量工作流固定轮换	多模型多 LoRA 共享机器	调试与回归验证

六、典型场景选择

单工作流反复调参迭代 → CLASSIC。此时命中率最关键，内存通常也够用。
固定几套工作流轮换使用 → LRU。把容量设为“常用工作流热路径的条目规模”，即可在轮换时保持秒级热身。
多模型、多 LoRA、多人共用机器或容器化部署 → RAM_PRESSURE。以内存水位兜底，避免 OOM 优先于追求命中率。
调试定位、回归验证、内存极端受限环境 → NONE。保证每次执行行为一致，便于排查问题。

七、选型建议

内存充裕、场景单一：默认 CLASSIC 即可，无需额外配置。
工作流数量可控且经常轮换：优先 LRU，容量宁大勿小，但需监控实际内存曲线。
多租户、容器化、内存敏感：优先 RAM_PRESSURE，阈值需为模型加载与系统进程预留余量。
需要确定性输出或排查问题：短期切到 NONE，定位完成后再切回。
由于 objects 缓存不受策略影响，切换策略的收益主要体现在 outputs 上；若瓶颈在节点对象构造（较少见），调整策略帮助有限。

无论部署在本地工作站，还是百度智能云等云平台的 GPU 实例上，四种策略的取舍逻辑是一致的；在按量计费的云上环境中，减少重复计算还直接关系到资源成本，值得多花时间做基准测试。

八、迁移与使用注意事项

切换只改启动参数，工作流无需改动；但命中行为变化会改变执行时间分布，切换后应重新做基准测试。
签名级联意味着：上游一个种子或参数变化会使下游全部签名失效，任何策略都救不了“整条链重算”，策略只影响“没变的分支”能省多少。
容器环境应同时设置容器内存限制与缓存参数（LRU 容量或内存阈值），并为模型加载峰值预留余量。
LRU 容量过小会退化到接近无缓存的效果；过大则接近 CLASSIC 的内存风险，建议从小到大逐步调整并观察命中率。
RAM_PRESSURE 的清理时机依赖内存水位，瞬时并发或多任务叠加可能造成清理抖动，建议结合内存监控与告警使用。
升级框架版本时，缓存实现细节可能调整，建议在测试环境复验策略行为后再上线。

九、总结

四种缓存策略的本质差异可概括为一句话：CLASSIC 用内存换命中率，NONE 用计算换内存，LRU 与 RAM_PRESSURE 是两种不同的“中间态”——前者按条目数设上限，后者按内存水位设上限。

决策思路建议三步走：先看内存预算（能否承受 CLASSIC 的占用），再看工作流复用模式（单工作流深耕还是多工作流轮换），最后看运维能力（能否有效监控内存与命中率）。据此对号入座，就能在算力利用率、内存安全与迭代效率之间，找到适合自己场景的平衡点。

节点式AI绘图框架四种缓存策略对比与选型