1. 为什么需要生产-解码分离架构第一次部署大模型在线服务时我盯着监控面板上的GPU利用率曲线直挠头——为什么计算单元总是间歇性满载又突然空闲后来发现这是典型的Prefill-Decode耦合架构的弊端。就像餐厅里同一个厨师既要负责备菜切配、腌制又要掌勺爆炒、收汁两种完全不同的工作节奏导致资源利用率始终上不去。大模型推理包含两个差异巨大的阶段Prefill生产阶段处理用户输入的完整prompt像工厂的原料加工车间。一次性处理2000个token的矩阵乘法GEMM会吃光GPU的算力资源但显存带宽压力相对较小。Decode解码阶段: 逐个token生成输出更像精雕细琢的手工作坊。每步只需处理1-4个token但需要高频访问KV Cache对显存带宽的要求是Prefill的5-8倍。实测发现在混合部署场景下当Decode任务等待Prefill释放显存带宽时TPOTTime Per Output Token会从30ms飙升到120ms突发性Prefill任务会导致Decode的尾延迟P99增加3倍以上整体GPU利用率长期在40-60%间波动生产-解码分离PD分离就像给餐厅配备专门的切配间和炒菜区。我们去年在32B参数模型上实测分离部署后吞吐量提升2.1倍从35 req/s到74 req/s尾延迟降低58%P99从420ms降到175msGPU利用率稳定在85%以上2. 分离架构的核心设计2.1 角色定义与硬件选型Producer节点相当于食材预处理中心建议配置GPU选型NVIDIA A100/A800高FP32性能显存容量至少能承载max_batch_size×max_seq_len的KV Cache典型负载单卡同时处理4-8个2048 token的promptDecoder节点更像快餐出餐口推荐配置GPU选型H100高显存带宽网络建议100Gbps RDMA跨节点部署时典型场景单卡并行处理32-64个streaming请求2.2 KV Cache的流转设计PD分离最精妙的部分在于KV Cache的接力传递我们实践过三种方案共享内存方案单机部署# Producer侧分配共享内存块 kv_cache torch.empty( (num_blocks, block_size, num_heads, head_dim), dtypetorch.bfloat16, devicecuda ).share_memory_() # Decoder通过内存映射读取 decoder_kv torch.empty_like(kv_cache).share_memory_()NCCL P2P方案跨节点# 启动参数示例 --kv-connector P2pNcclConnector \ --kv-parallel-size 4 \ --kv-buffer-size 2分布式存储方案大规模集群class KVStorageClient: def put(self, request_id: str, blocks: List[KVBlock]): # 使用Protobuf序列化后写入Redis集群 redis_client.set(fkv_{request_id}, blocks.SerializeToString())关键注意事项当使用TP2时Producer和Decoder的tensor parallel配置必须一致跨节点传输建议开启FP16压缩可减少40%网络开销每个KV Block建议设置为16-32个token的容量3. vLLM中的实现细节3.1 调度器改造vLLM原有的统一调度器需要拆分为两个协同工作的组件Producer调度器重点关注动态批处理Dynamic Batching长文本的滑动窗口处理紧急任务的抢占式调度Decoder调度器需要优化细粒度流水线Micro-batching增量解码的优先级控制实时负载均衡我们在代码中的主要改动点# 原版调度逻辑 def schedule(self): mixed_batch self._merge_prefill_decode() ... # 改造后 def producer_schedule(self): prefill_batch self._select_prefill_requests() return self._run_gemm(prefill_batch) def decoder_schedule(self): decode_batch self._group_by_seq_len() return self._run_decode(decode_batch)3.2 启动配置实战单机1P1D部署示例# Producer节点占用GPU 0-1 CUDA_VISIBLE_DEVICES0,1 python -m vllm.entrypoints.api_server \ --model Qwen-72B \ --tensor-parallel-size 2 \ --pd-role producer \ --kv-connector shm \ --port 28000 # Decoder节点占用GPU 2-3 CUDA_VISIBLE_DEVICES2,3 python -m vllm.entrypoints.api_server \ --model Qwen-72B \ --tensor-parallel-size 2 \ --pd-role decoder \ --kv-connector shm \ --port 28001跨机2P4D部署关键参数# Producer节点A100×2 --kv-connector p2p_nccl \ --kv-connector-extra-config {proxy_ip:192.168.1.10,rdma:true} # Decoder节点H100×4 --kv-parallel-size 4 \ --kv-buffer-size 3 \ --max-num-seqs 128常见踩坑点忘记设置CUDA_VISIBLE_DEVICES导致显存冲突NCCL版本不匹配导致P2P通信失败KV Cache的block大小未对齐引发内存错误4. 性能调优实战4.1 基准测试对比我们在Qwen-72B模型上测得以下数据配置吞吐(req/s)TTFT(ms)TPOT(ms)GPU利用率单机耦合18.23506561%1P1D分离39.73205883%2P4D分离112.43105391%优化技巧调整--max-num-batched-tokens避免OOM监控nvtop中的SM Activity和Mem BW指标使用--output-token-latencies参数分析解码延迟4.2 高级调优策略Producer侧优化# 启用FlashAttention-2加速 model AutoModelForCausalLM.from_pretrained( Qwen/Qwen-72B, torch_dtypetorch.bfloat16, use_flash_attention_2True ) # 动态批处理策略 scheduler Scheduler( max_batch_size32, max_seq_len8192, prefill_policyFIFO # 也可用LIFO处理突发流量 )Decoder侧黑科技# 启用连续批处理 --enforce-eagerFalse \ --max-parallel-decodes64 # 使用vLLM的PagedAttention优化 --block-size32 \ --num-kv-blocks12000最近在帮某AI客服系统做迁移时发现将32k长文本对话改为PD分离架构后不仅节省了40%的GPU成本最关键的首token延迟从1.2s降到了680ms。这让我想起最初在单卡上死磕性能的日子——有时候架构层面的解耦比参数调优能带来更大的收益提升。