> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/llm_internals/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/llm_internals/di-san-bu-fen-tui-li-yu-bu-shu-pian/11_serving/summary.md).

# 本章小结

**推理引擎架构**（vLLM、TensorRT-LLM、SGLang）整合了优化技术栈，为多用户并发场景提供高效服务。每个引擎的优化重点不同：vLLM 追求通用性和易用性（PagedAttention + 连续批处理），TensorRT-LLM 追求极致单卡性能（算子融合 + 硬件感知），SGLang 追求编程灵活性（RadixAttention 支持分支推理）。

**连续批处理**通过在每个解码步动态添加和移除请求，消除了静态批处理中短请求等待长请求的浪费，将吞吐量提升 2-10 倍。**分块 Prefill** 进一步防止长 Prompt 对 Decode 的头部阻塞，保证 TPOT 平稳性；**缓存感知路由**通过哈希亲和性最大化前缀缓存命中。

**PagedAttention** 借鉴操作系统的虚拟内存管理思想，将 KV 缓存划分为固定大小的页（16-64 词元）并按需分配，把既有系统中的碎片化和预分配浪费压低到最后一个块内的少量空洞。结合前缀缓存（Prefix Caching），可在高并发和共享前缀场景下进一步减少重复 KV 存储。

**分离式架构**（Disaggregated Prefill-Decode）通过物理切分专门用于 Prefill 和 Decode 的计算集群，解决了计算密集型与访存密集型任务的资源错配，在高速网络（InfiniBand/RoCEv2）支持下配置得当时，可提升整体吞吐并显著降低 Decode 侧 TPOT，实际收益高度依赖请求长度分布、网络带宽与缓存命中率。**条件分离**策略可进一步适配混合流量模式；**异构张量并行**（Prefill 低 TP，Decode 高 TP）进一步优化。对于 MoE 模型，**专家并行**（Expert Parallelism）通过词元级 All-to-All 通信实现高效的分布式推理。

**超长上下文推理**需要 Ring Attention 等序列维度分布式注意力技术。在分离式架构支持下，结合 KV 缓存压缩和分级存储，可以探索 1M+ 词元上下文；能否达到可接受延迟仍取决于网络、模型结构、批量和服务 SLA。

**硬件选择**的决策框架：GPU 仍是通用推理部署的主流选择，需根据模型大小、吞吐-延迟权衡、输入输出分布选择适当的显存和带宽；TPU、AMD GPU 和高速以太网/RDMA 网络也可服务于特定规模与成本目标。具体代际性能、供应情况和集群案例变化很快，生产选型应重新核验厂商白皮书与公开基准。

**生产部署最佳实践**的完整技术栈包括：

* 性能指标：TTFT < 500ms、TPOT < 50ms、**Goodput**（SLA 约束下有效吞吐）、单词元成本
* 业界案例：Mooncake 的 KV 缓存中心架构、前缀缓存预热、分离式 Prefill-Decode 和高速互联集群等公开方案
* 架构：AI 网关（统一路由、降级、计费）+ 分离式推理集群 + 流式输出
* 调度：Token-aware 路由 + 条件分离策略 + 前缀缓存感知 + 缓存亲和性调度
* 可靠性：多层安全护栏（规则 + 分类器 + 重排序）+ 速率限制 + 隐私脱敏
* 可观测性：延迟拆解、KV 缓存监控、漂移检测

至此，第三部分“推理与部署篇”结束。下一部分将梳理主流 Transformer 变体模型和前沿架构创新。

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/llm_internals/issues) 或 [PR](https://github.com/yeasy/llm_internals/pulls)。