如果你的LLM服务线上延迟高、吞吐低、GPU还闲得发慌大概率不是模型太烂是你的推理框架没选对。今天聊一个硬核话题vLLM凭什么成为LLM生产部署的事实标准。不是背概念是从底层问题出发拆解它到底解决了什么、怎么解决、线上怎么用。我会按这个顺序来三个要命的瓶颈——vLLM之前的世界有多惨vLLM三板斧——PagedAttention、Continuous Batching、Tensor Parallelism四层架构拆解——从API到GPU发生了什么线上部署实操——Docker单机到K8s集群Ollama vs vLLM怎么选——别选错六道高频面试题——能答上来才算真懂这玩意儿不是玄学是工程。一、三个要命的瓶颈vLLM之前的世界有多惨先说结论传统LLM推理框架的GPU显存利用率只有24%左右。你没看错花了十几万买的A10076%的显存在空转。瓶颈1KV Cache显存浪费大模型推理时每个请求都需要一块连续的显存空间存KV CacheKey-Value缓存。问题在于——传统框架按最大可能长度预分配显存。打个比方你去餐厅吃饭服务员直接给你留一个100人的大包间不管你实际就3个人。结果餐厅明明能接待50桌实际只能接待5桌。具体数字更扎心一个13B模型在A100上传统框架预分配KV Cache占掉约80GB显存但实际平均利用率只有24%。剩下的76%全在占着茅坑不拉屎。瓶颈2请求排队等批传统Static Batching的逻辑是凑够一批请求→一起推理→等最长的那个生成完→才能处理下一批。这就跟坐公交车一样车上有50个座位上来3个人司机说等坐满再开。然后你就等着等到50个人凑齐了才发车。最惨的是如果你那批里有个生成2000 token的长请求整个batch都得等它写完。瓶颈3单GPU装不下大模型一个70B模型FP16需要约140GB显存单张A100只有80GB。传统框架基本就傻了——装不下就是装不下你只能量化压缩或者换小模型。这三个问题叠加的结果GPU算力本身不是瓶颈显存管理和调度才是。GPU在空转等内存而不是在算东西。二、vLLM三板斧每一招都直击要害第一斧PagedAttention–虚拟内存分页管理核心思想把KV Cache的连续显存分配改成按需分页分配。操作系统怎么管内存的虚拟内存分页。你申请1GB内存OS不会真给你分配1GB物理内存而是给你一堆虚拟页用到哪页分配哪页。vLLM把同样的思路搬到了GPU上把KV Cache切成固定大小的Block通常每Block存16个token的KV物理显存按需分配用到才给逻辑Block和物理Block通过Block Table映射一个请求的KV Cache不需要连续存储效果显存利用率从24%飙到96%。同一张GPU能同时服务的请求数翻了4倍。还有个意外收获Block级别的共享让Prefix Caching变得很自然。多个请求共享同一个system prompt那段KV Cache只需要存一份所有请求共享。这在实际场景中省的不是一点半点。第二斧Continuous Batching–请求动态进出核心思想不等一批凑齐不等一批跑完。请求随时进随时出。Static Batching的问题在于木桶效应–最长的请求决定整批的时间。如果一批50个请求49个生成了20 token就完事最后1个要生成2000 token那49个请求的GPU资源在等待期间全浪费了。Continuous Batching的做法每次iteration只处理当前有活干的请求某个请求生成完了立刻退出batch新请求随时加入batchGPU从不闲着效果吞吐量提升2-4倍。延迟反而更低了因为短请求不用等长请求。第三斧Tensor Parallelism–多GPU切分核心思想一张卡装不下大模型那就把模型切成块分到多张卡上。不是按Layer切那是Pipeline Parallelism而是按Tensor切。具体来说矩阵乘法 A×B 可以按列切分BGPU 1 算 A×B₁GPU 2 算 A×B₂最后All-Reduce合并结果这样每张卡只需要存模型的一部分70B模型用2-4张A100就能跑了。虽然通信开销增加了一些延迟但换来的是能跑大模型。三者关系PagedAttention省显存-更多请求能同时塞进去-Continuous Batching让这些请求高效调度-Tensor Parallelism让大模型也能跑。三板斧组合起来GPU才真正忙起来。三、四层架构拆解从API到GPU发生了什么vLLM的架构很清晰四层各司其职┌─────────────────────────────────────┐ │ API Server (FastAPI) │ ← OpenAI兼容接口 │ /v1/chat/completions, /v1/engines │ ├─────────────────────────────────────┤ │ Engine │ │ ├ Scheduler (调度器) │ ← Continuous Batching调度 │ └ KV Cache Manager (分页管理) │ ← PagedAttention ├─────────────────────────────────────┤ │ Worker │ │ ├ Model Runner (模型执行) │ │ └ PagedAttention CUDA Kernel │ ← 底层算子 ├─────────────────────────────────────┤ │ Hardware │ │ GPU(s) / NVLink / 多卡 │ ← Tensor Parallelism └─────────────────────────────────────┘API Server层FastAPI写的对外暴露OpenAI兼容的REST接口。你之前用OpenAI SDK写的代码把base_url从https://api.openai.com改成http://your-vllm-server:8000就能跑业务代码零改动。这跟Ollama的/v1/chat/completions一样的设计思路–降低迁移成本。Engine层这是vLLM的大脑两个核心组件Scheduler决定每次iteration跑哪些请求。它维护一个waiting队列和running队列根据显存余量动态调度。新请求进waiting有显存了拉到running生成完了踢出去。这就是Continuous Batching的具体实现。KV Cache Manager管理Block的分配和回收。每个请求有一个Block Table记录它的逻辑Block映射到哪些物理Block。请求结束了Block立刻回收给下一个请求用。这就是PagedAttention的实现。Worker层每个Worker对应一张GPU。Model Runner负责跑模型的前向传播PagedAttention CUDA Kernel是专门写的底层算子直接操作Block的KV Cache不走PyTorch的注意力机制。这层是性能的关键–自己写CUDA Kernel而不是用PyTorch原生的注意力才能精确控制显存访问模式。Hardware层多GPU通过NVLink互联Tensor Parallelism在这层生效。单卡就是普通的GPU推理。四、线上部署实操从Docker单机到K8s集群Docker单机部署线上最快的方式几个关键参数dockerrun--gpusall\--shm-size 8g\-v/data/models:/models\-p8000:8000\vllm/vllm-openai:latest\--model/models/qwen2-7b\--tensor-parallel-size2\--max-model-len4096三个容易踩的坑--gpus all透传所有GPU。如果只想要部分GPU用--gpus device0,1指定。--shm-size 8g默认64MB太小PyTorch多进程共享内存会爆。给8GB基本够。模型挂载用PVC别把模型打包进镜像一个13B模型镜像就几十GB构建一次要命。挂载到容器里秒级启动。K8s集群部署生产环境真正用的核心是三个资源对象nvidia-device-plugin让K8s能调度GPU。没这个K8s不知道GPU是什么资源。装了之后Pod配置里写nvidia.com/gpu: 2就能申请2张GPU。PVC共享模型多个Pod共享同一个模型存储避免每个节点都下载一份。用ReadWriteMany的存储类比如NFS或CephFS。HPA自动扩缩容这个最有意思。HPA不能只看CPU/内存利用率GPU推理Pod的CPU使用率很低要看请求队列长度。vLLM暴露了/metrics端点里面有vllm:num_requests_waiting指标。基于这个指标扩缩容队列长了加Pod空闲了缩Pod。另外要配启动探针vLLM冷启动加载模型需要30秒到几分钟默认探针太激进会杀Pod。initialDelaySeconds: 120给足加载时间。Ollama vs vLLM别选错这两个不是竞争关系是开发环境 vs 生产环境的区别维度OllamavLLM定位本地开发调试生产环境高吞吐显存管理简单预分配PagedAttention分页批处理Static BatchingContinuous Batching多GPU不支持Tensor Parallelism启动速度快秒级慢加载模型30sAPI兼容OpenAI兼容OpenAI兼容业务代码改动零零关键点两者API完全兼容。开发用Ollama上线切vLLM只需要改一个base_url。这才是好的架构设计–接口统一实现可换。我本地用Ollama跑Qwen3:8B和GLM4:9B做开发调试线上用vLLM跑同款模型服务真实流量。业务代码用的是LangChain4j的ChatModel接口底层切换完全透明。五、线上真实场景公司里到底怎么用的场景1高并发聊天服务某互联网公司用Qwen2-72B做客服聊天日均100万次对话。用vLLM 4张A100 80GBTensor Parallelism472B模型FP16约144GB4卡分摊每卡36GBPagedAttention让同时服务200并发会话传统框架只能服务50个Continuous Batching让P99延迟从800ms降到200ms峰值QPS约500GPU利用率保持在85%以上场景2批量推理任务某数据公司每晚跑10万条数据抽取任务。之前用Transformers库串行跑8小时。换vLLM后Continuous Batching自动批处理不用手动凑batch2小时跑完快了4倍KV Cache复用所有任务用同一个system promptPrefix Caching命中率高场景3多模型A/B测试K8s上起多个vLLM Pod每个Pod跑不同模型。流量通过Service按比例分发Pod 1: Qwen2-7B80%流量成本低Pod 2: Qwen2-72B20%流量高质量ModelRouter根据任务复杂度路由这跟我之前手敲的ModelSwitcher设计思路一模一样只是从本地Ollama换成了vLLM集群场景4成本优化vLLM最狠的不是性能提升是同等硬件能服务更多用户。某创业公司从Transformers切换到vLLM同样4张A100之前最大并发50vLLM后最大并发200不用加机器服务能力翻了4倍每月省下2张A100的云费用约¥3万这就是vLLM的价值–不是让GPU算得更快是让GPU不闲着。六、六道高频面试题能答上来才算真懂Q1: PagedAttention为什么能提升显存利用率答传统框架按最大序列长度预分配连续显存实际平均利用率24%。PagedAttention把KV Cache切成固定大小的Block按需分配用到哪页给哪页逻辑Block通过Block Table映射到物理Block。利用率提升到96%同一张GPU能服务的并发请求数翻了4倍。加分项提到Prefix Caching–共享system prompt的多个请求只存一份KV Cache。Q2: Continuous Batching和Static Batching有什么区别答Static Batching凑满一批才跑等最长的请求生成完才能处理下一批存在木桶效应。Continuous Batching每次iteration只处理当前活跃请求生成完的立刻退出新请求随时加入GPU不闲着。吞吐提升2-4倍短请求延迟更低。加分项提到iteration级别的调度–每生成一个token就是一次iterationScheduler每次都重新决定哪些请求参与。Q3: Tensor Parallelism和Pipeline Parallelism有什么区别答Tensor Parallelism按矩阵列切分权重矩阵多张卡同时算同一层的不同部分结果All-Reduce合并。通信开销在层内。Pipeline Parallelism按Layer切分模型不同层放在不同卡上数据像流水线一样经过各卡。通信开销在层间。vLLM主要用Tensor Parallelism因为它更适合低延迟场景。Pipeline Parallelism更常见于训练。Q4: vLLM和Ollama有什么区别线上怎么选答Ollama定位本地开发调试简单预分配显存Static Batching不支持多GPU。vLLM定位生产环境PagedAttentionContinuous BatchingTensor Parallelism。两者API都兼容OpenAI格式业务代码只需改base_url。开发用Ollama上线用vLLM。加分项提到Ollama启动快秒级vLLM启动慢加载模型30s所以K8s部署要配启动探针。Q5: K8s部署vLLMHPA基于什么指标扩缩容答不能只看CPU/内存GPU推理Pod的CPU使用率很低。应该看vLLM暴露的/metrics端点中的vllm:num_requests_waiting等待队列长度。队列长了加Pod空闲了缩Pod。另外要配置启动探针initialDelaySeconds: 120以上因为vLLM冷启动加载模型需要时间。Q6: 为什么说vLLM解决的是显存瓶颈不是算力瓶颈答GPU推理时大部分时间GPU不是在算是在等数据从显存搬过来。传统框架的显存管理太粗放导致很多显存空转能同时服务的请求数很少GPU算力闲置。vLLM通过PagedAttention把显存利用率从24%拉到96%更多请求能同时进来Continuous Batching让这些请求高效调度GPU才真正忙起来。所以瓶颈不在算力在显存管理和调度效率。总结三句话记住vLLMPagedAttention解决显存浪费–分页管理利用率24%→96%Continuous Batching解决调度低效–请求动态进出吞吐×2-4Tensor Parallelism解决模型太大–多卡切分70B也能跑核心认知vLLM不是让GPU算得更快是让GPU不闲着。显存瓶颈非算力瓶颈这个认知在面试时说出来面试官会眼前一亮。线上实操口诀开发用Ollama上线用vLLMAPI兼容只改base_urlDocker单机够用K8s看队列扩缩容。下一篇我们会聊LLM可观测性–线上跑了vLLM之后怎么监控Token消耗、延迟分布、质量指标别等用户投诉才发现问题。