阿甘的博客 | Arganzheng's Blog

AI 平台工程：资源层与交付层（总纲）

AI Platform Engineering: the Resource Layer and the Delivery Layer

内容简介《AI 平台工程：资源层与交付层》是一组共八篇的系列文章，面向已经跑过训练任务或推理服务、准备把它们放到一个多人共用的 GPU 集群上运行和交付的工程师，系统讲解引擎之下和引擎之侧的两层基础设施：资源层把 GPU、网络、存储组织成可调度的资源池，承载引擎运行；交付层把引擎包装成有 SLA、有配额、有账单、可观测的服务。它回答的问题是：一个 GPU 集群如何被切分、调度和喂饱？一个训好的模型如何变成一个可运维的服务？站在引擎的层面看，平台是一个”给我八张卡、一个 RDMA 网口和一个能读 checkpoint 的路径，剩下的我自己来”的黑盒。这个视角是对的，但它掩盖了一件事：平台的每一个设计决定，都是被引擎的某个需求推出来的。 ...

Posted by arganzheng | September 1, 2026

大模型推理系统揭秘（12）：回到源码：一次请求在 vLLM 内部的真实旅程

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。前九章回答了「是什么」和「为什么」，这一章回答「怎么实现」。现在你已经知道 Scheduler 为什么要按 token 预算调度、KV Cache 为什么要分块、Attention Backend 为什么要按 batch 形态分派。带着这些「为什么」回头看数据结构，它们就不再是需要背的字段列表，而是每一个都能对应到一个设计约束。这一章刻意放在最后：如果它出现在第二章，你只会看到一堆 class；出现在这里，你会看到设计决策留下的痕迹。 1. 控制...

Posted by arganzheng | August 31, 2026

大模型推理系统揭秘（11）：Serving Infra 的下一站：从模型执行器到分布式智能操作系统

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。在前面的章节中，我们围绕 vLLM 的核心机制展开了讨论：模型如何加载，算子如何执行，请求如何调度，以及 KV Cache 如何管理。这些机制解决的是一个核心问题：如何让一次模型推理更高效？但在真实生产环境中，请求正在变得越来越复杂。一个请求可能包含超长上下文、多轮对话、工具调用、Session 状态，以及图像、音频或视频输入。它不再是一次短暂的函数调用，而可能是一个持续数分钟甚至数小时的分布式任务。因此，Serving 系统需要管理的对象...

Posted by arganzheng | August 30, 2026

大模型推理系统揭秘（10）：PD 分离：从资源混部走向计算解耦

本文是《大模型推理系统揭秘：从 vLLM 看 LLM Serving Infra 核心技术》系列的第十篇。上一篇：硬件解耦　下一篇：Serving Infra 的下一站。版本说明：实现分析以 vLLM v0.27.1（tag 6e448d0）为准，重点走读 NIXL pull + 示例 Proxy 的交接路径。通用架构、其他 Connector 的选择和系统设计建议会分别说明，不把一种实现视为 PD 分离的唯一路径。文中算例均为注明假设的理论估算，不是本地 GPU 或网络实测。前面几篇已经解释了，一个推理实例如何通过 Scheduler、KV Cache Manager、Model Runner 与多卡执行器，把动态到来的请求组织成持续运行的 G...

Posted by arganzheng | August 29, 2026

大模型推理系统揭秘（09）：硬件解耦：如何不让芯片差异污染 Serving 核心？

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。上一章讨论了模型适配：面对不断变化的模型结构，Serving 框架如何通过统一接口、模型注册和模块化执行路径，降低新模型接入成本。但模型只是变化来源之一。在真实部署环境中，硬件同样在快速变化。GPU 不再是唯一选择，AMD ROCm、华为昇腾 Ascend、Intel XPU、Google TPU 以及各种专用加速器，都在参与大模型推理基础设施的竞争。这就带来一个更棘手的问题：如何让同一套 Serving 逻辑运行在不同芯片上，同时避免芯片差...

Posted by arganzheng | August 27, 2026

大模型推理系统揭秘（08）：模型适配：如何跟上变化极快的模型世界？

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。 1. 痛点：为什么推理引擎必须持续适配新模型？ 1.1 模型算法同质化与工程实现异构化 LLM 模型在算法上高度同质，都是基于 Transformer模型，围绕以下组件构建： Embedding； Transformer Block； Attention； Feed-Forward Network； Normalization； LM Head。但模型的工程实现上却是高度异构化：维度 ...

Posted by arganzheng | August 25, 2026

大模型推理系统揭秘（07）：Multi-GPU：一张卡不够时如何扩展？

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。 1. 分布式推理的混合并行策略分布式推理的混合并行策略：遇到的问题该用的策略切的是什么单张卡放不下一个 Linear 层 TP 层内的矩阵，按行/列切单层放得下，但整个模型太大 PP 按层切，分段流水 MoE 的 Expert 太多 ...

Posted by arganzheng | August 23, 2026

大模型推理系统揭秘（06）：GPU 执行：如何让每个 Token 算得更快？

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。这一章的问题是：这些已经确定要算的 token，怎么算得更快。 Decode 偏 memory-bound、Prefill 偏 compute-bound，但落到 GPU 上，浪费其实只有四种形态：浪费形态症状对策 GPU 在等 CPU 发指令 kernel 之间有气泡 CUDA Graph GPU 在...

Posted by arganzheng | August 22, 2026

大模型推理系统揭秘（05）：KV Cache：LLM Serving 的第一号内存问题

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。设想一个场景：你有一张 80 GB 的卡，同时来了 100 个请求。第一个请求最后只生成了 300 个 token，第二个生成了 3000 个，第三个一路写到 20K。问题在于：这三个数字，你在请求到达的那一刻一个都不知道。如果按传统做法，给每个请求划一块连续显存来放它的 KV Cache，那你只能按”最坏情况”预留——按模型支持的最大长度划。于是那个只生成 300 token 的请求，占着一块够装 32K token 的地。100 个请求这么一摊，卡就满...

Posted by arganzheng | August 20, 2026

大模型推理系统揭秘（04）：Scheduler：GPU 这一轮到底给谁用？

NOTE 本文基于 vLLM v0.27.1（tag 6e448d0, 2026-08-11）源码剖析。文中文件路径、类名和函数名均以该版本为准；vLLM 迭代很快，阅读时请以你手上的版本对照。前面我们已经解决了一个重要问题： KV Cache 如何管理？ PagedAttention 将 KV Cache 从连续的大块显存变成可以按 Block 动态分配和回收的资源，使得不同请求可以灵活共享 GPU 显存。但有了 KV Cache 之后，还有一个更直接的问题： GPU 这一轮到底给谁用？每个请求这一轮应该推进多少？这正是 Scheduler 要解决的问题。传统深度学习推理通常以固定 Batch 为基本调度单位： Ba...

Posted by arganzheng | August 18, 2026

Arganzheng's Blog