前缀复用：SGLang RadixAttention 与缓存命中
2026/8/23大约 2 分钟
AICon 2026 学习系列 · 阶段 5 · 推理与 AI Infra · 第 30/43 篇 · 🚧 占位待学
上一篇：《PagedAttention 与 Continuous Batching：vLLM 的两板斧》
下一篇：《长上下文与 PD 分离：百万 token 的工程》
学习大纲：《AICon 2026 学习总纲》
状态：待学习。 本文为占位文档：知识点清单、实验与验收标准已就绪，正文待按「先学习、先实验、再撰写」补全。
对应总纲单元：阶段 5 · 单元 5.4
一、本文要解决的问题
一百个用户的对话共享同一段超长系统提示，这段的 KV 每人重算一遍？RadixAttention 用一棵基数树把「相同前缀只算一次」变成自动——多轮对话与 Agent 场景的吞吐倍增器。
二、知识点清单
- 前缀 KV 复用的前提：相同 token 前缀 → 相同 KV（确定性计算）
- RadixAttention：基数树组织历史前缀，自动匹配最长可复用前缀
- 命中场景：多轮对话（历史逐轮复用）、共享 system prompt、Agent 循环（每步重发上下文）
- 缓存淘汰：LRU 与容量压力；命中率与延迟 / 吞吐的关系
- 对照 AICon《百万上下文下的 DeepSeek V4：SGLang 推理优化实战》的复用思路
三、动手实验（学习时必须真跑）
- 多轮对话压测：观察前缀缓存命中率随轮数的上升与延迟下降（SGLang 或 vLLM 的 prefix caching 均可）
- 共享长 system prompt 的并发场景，对比开关缓存的效果
四、验收标准（全部通过才进入下一篇）
五、写作提示（补正文时遵守）
- 开篇问题驱动；结构走「是什么 → 为什么 → 怎么做 → 背景知识」
- 所有代码、命令、输出必须先在本机跑通再写入，不得杜撰
- 版本口径以总纲环境清单为准（Python 3.12 / Ollama / vLLM 与 SGLang 最新版 / Spring AI 1.x）
- 涉及版本敏感结论时标注出处与时间
本篇完成后，把文首导航块的「🚧 占位待学」去掉，并在总纲处打卡。