价值与状态#
状态：open；AI 候选问题，2026-10-12。 命中率提高并不总能降低服务成本。这个问题用于判断一种协同策略是否在真实资源和信息条件下带来可持续收益，而不是仅在理想流行度模型上表现较好。
已知#
命中成本模型与 QMIX 边界区分请求命中、字节命中、端到端成本以及所表示价值的一致性。缓存更新、协作消息和训练也消耗资源；Zipf 分布不包含热点变化的时间过程。公开研究的具体假设可沿协同缓存案例检查。
缺口#
当前笔记没有提供统一工作负载下的复现实验，也没有证据证明某一策略在所有缓存规模、网络或攻击条件下优于基线。尤其需要确认：训练信息是否能在部署中获得、请求分配是否随动作变化、协作收益是否扣除更新和通信成本，以及故障时是否仍能正确服务。
可执行的研究方向#
- 先固定服务目标与成本边界，再选择请求命中率、字节命中率、完成率、时延分位数、带宽与总资源成本。
- 在相同容量、拓扑、请求轨迹和调参预算下比较清晰基线；分别改变流行度偏斜、热点漂移、对象大小和请求突发性，避免把一个静态模型当作一般性结论。
- 分别记录训练与执行的信息、计算和通信需求；用消融区分共享信息、协调动作、模型容量和额外资源的贡献。
- 在已声明的故障模型下测试离线、延迟、错误输入和恢复，并报告适用范围；性能实验与协议安全证明分别提供证据。
有可追溯的结果后，先整合回知识笔记、写明实验条件与失效情形，再判断问题是否 resolved。当前尚未开展这些实验。