SGLang 用基数树复用前缀 KV 缓存,Agent 推理吞吐最高提 6.4 倍

大模型之路 · wechat · 2026-09-15

文章拆解了大模型推理中一个常被忽视的浪费：Agent、RAG、多轮对话流量里，系统提示词、工具定义、检索文档等前缀被每个请求反复重算 KV 缓存，规模越大浪费越夸张。

SGLang 的解法：RadixAttention

LMSYS（UC Berkeley 团队）开源，把所有请求的 KV 缓存按 token 序列存进基数树，新请求自动匹配最长共享前缀直接复用，只算增量部分。
对比 vLLM 的分块哈希（PagedAttention），基数树按 token 粒度可识别不规则重叠；论文报告 agent 控制、JSON 解码等任务最高 6.4 倍吞吐提升。
分层缓存：冷前缀可卸载到 CPU 内存甚至 NVMe；调度器优先把共享前缀长的请求排进同批提高命中率。
另两项能力：结构化生成（严格输出 JSON/正则，避免工具调用链断裂）和零开销 CPU 调度。据业界统计已部署在超 40 万张 GPU 上，xAI、NVIDIA、LinkedIn 等用作推理底座；2025 年起并入 PyTorch 生态。

SGLang vs vLLM 怎么选

流量有"结构性冗余"（多轮对话、RAG、固定系统提示的 Agent）→ SGLang 优势明显；请求各不相同的单次生成 → 两者基本持平，别盲目切换。
部署坑：一个 server 进程只服务一个模型；radixcache 要设显存占比上限；系统提示若拼时间戳/随机 id 会导致前缀对不上、命中率归零；复杂 schema 的约束解码开销大。

上手很简单：pip install sglang 后用 python3 -m sglang.launchserver 拉起 OpenAI 兼容服务，改 baseurl 即可切换；支持 FP8/INT4/AWQ/GPTQ 量化，本地单卡可先跑 7B/8B 模型体验。

「编程与Agent」频道最新