feat(ms-ai-architect): Spor 1 — Port-1-substrat migrert på 4 ikke-advisor-skills (243 Source + 327 Type + 325 TOC + stale-verified poison fjernet) [skip-docs]

Steg 9 (R4): unified migrate-corpus.mjs --write over engineering/governance/
infrastructure/security. 327 filer mutert, verified=null, prosa byte-identisk
(fra første ## seksjon), advisor urørt (0 endringer).

To applier-fixes oppdaget under kjøring (TDD, RED→GREEN):
- insertHeaderFields: anker faller nå tilbake når en meta-linje selv passerer
  500B (2 filer pakket et avsnitt i **Status:** → Type/Source landet utenfor
  scan-vinduet, applierens post-write-assertion fanget + restaurerte).
- normalizeStaleVerified: fjerner nå ALLE stale non-date **Verified:** i
  500B-vinduet, inkl. stray body-dup rett under --- (9 mlops-genaiops-filer var
  ellers falskt "verified"/fresh, droppet fra worklist). Operatør-godkjent
  utvidelse av carve-out; kun stray metadata-linjer, aldri prosa.

test-transform-criterion: precondition oppdatert til post-migrasjons-sannhet
(fila bærer nå Source). Suite 728/728 grønn.

skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md

@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/caching-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prompt-baserte caching-nokler](#prompt-baserte-caching-nokler)
+- [Semantisk deduplisering](#semantisk-deduplisering)
+- [TTL-konfigurasjon](#ttl-konfigurasjon)
+- [Cache-invalidering](#cache-invalidering)
+- [Kostnadsbesparelsesanalyse](#kostnadsbesparelsesanalyse)
+- [Caching-tjenester: Intern vs. Ekstern](#caching-tjenester-intern-vs-ekstern)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Caching er en av de mest effektive strategiene for a redusere kostnader og forbedre ytelse i AI-applikasjoner. Azure API Management tilbyr bade tradisjonell HTTP-caching og semantisk caching spesielt designet for LLM-API-er. Semantisk caching bruker embedding-vektorer for a identifisere prompts som er semantisk like -- ikke bare identiske -- og returnere cachede svar uten a kalle backend-modellen.