根据 @AndrewYNg 的信息，新课程《Semantic Caching for AI Agents》将由来自 @Redisinc 的 @tchutch94 与 @ilzhechev 授课，聚焦在 AI 应用中落地语义缓存的方法（来源：@AndrewYNg 于 X，2025 年 11 月 19 日）。他指出，语义缓存能显著降低 AI 推理成本与延迟，使对语义相似问题的响应更快且更省成本，这对生产级 AI 代理尤其重要（来源：@AndrewYNg 于 X，2025 年 11 月 19 日）。对加密市场的交易者而言，此公告提升了“AI 代理效率/成本优化”叙事的关注度；可跟踪项目动态中对“语义缓存”或“Redis”的提及，以观察该效率主题在公告后的市场关注度（来源：@AndrewYNg 于 X，2025 年 11 月 19 日）。

根据@DeepLearningAI，该课程教你搭建基于语义而非字面匹配的缓存，以复用回答，从而降低API成本并加快响应速度，来源：@DeepLearningAI。 课程明确用命中率、精确率与延迟评估缓存表现，量化AI智能体的性能，来源：@DeepLearningAI。 同时通过交叉编码器、LLM校验与模糊匹配提升准确性，并演示如何将缓存集成到会随时间变得更快、更省钱的智能体中，来源：@DeepLearningAI。 对于关注加密市场中AI基础设施敞口的交易者，来源强调可通过语义缓存优化与呈现的关键运营指标，包括单次请求成本与延迟，来源：@DeepLearningAI。