vLLM 学习手册

• Validated vLLM: b23bd73f540175f9e117eaee5029cd7d8df63964
• Upstream committed: 2026-07-20T15:32:54+00:00
• Validated: 2026-07-20T17:53:34Z
• Latest candidate: b23bd73f540175f9e117eaee5029cd7d8df63964
• Candidate lag: 2268 commits
• Impact report: artifacts/source-sync/latest-impact.md

一份写给大模型推理工程入门者的源码教程。 61 章 · 26K+ 行，从 PagedAttention 论文到 384 卡 H100 生产部署，覆盖整条链路。 每章都用可刷新语义锚点对照锁定 commit 的 vLLM 源码，可以“读笔记 ↔ 跳源码”无缝切换。

📖 在线阅读：jwzheng96.github.io/vllm-learning-book

这份手册解决什么问题

如果你正在做下面这些事，这是为你写的：

• 系统补课：想把 vLLM 的核心机制啃透，不再只记"PagedAttention 解决了什么"这种结论。
• 业务接入：要上线 LLM 推理服务，要选 v0/v1、调度策略、量化方案、部署架构。
• 性能优化：TTFT/TPOT 不达标，需要从架构层定位到内核层逐级排查。
• 底层贡献：想给 vLLM 提 PR，先得知道 scheduler / kv manager / attention backend 怎么咬合。

它不适合：完全没接触过 LLM 推理 → 先看 01-overview/00-prerequisites.md 把前置概念铺平；纯 prompt engineer 不碰服务侧 → 这本太工程。

怎么用这份资料

两种打开方式：

所有跨章链接、内嵌 Mermaid、代码块都在两种模式下都能用。HTML 版额外有 lunr.js 全文搜索和阅读时间估算。

源码版本、语义锚点、影响报告和人工复核的完整流程见 docs/source-sync.md。这里的“已验证”是 fail-closed 语义门禁：锁定 SHA 与子模块一致、源码锚点可解析、60 章 inventory 完整、没有 unmanaged source line，而且 content-review.toml 的每一章都在该 SHA 上完成 source / command / metric / diagram review。PR 与 Pages 使用 validate --profile full --require-committed；每周工作流只创建候选 PR，不会自动合并或发布。

文中任何硬件验证徽章都必须对应可索引、可复现的运行记录（锁定 commit、硬件、命令和结果）；只有静态源码复核时，不得标注为 GPU 已验证。手动 GPU workflow 见 .github/workflows/gpu-validation.yml：它只在预置 vLLM / driver 的 self-hosted NVIDIA runner 上运行 scripts/gpu-validation.sh，并归档脱敏证据；普通 CI 不安装或假装拥有 GPU toolchain。

每章统一的结构：

谁该读这一篇？ ... 前置阅读： ... 耗时： N 分钟 学完能： ...

正文（含 mermaid / 表格 / 代码引用）

## 小结
## 自检（3-5 题，自答）
## 下一步（跳转推荐）

按这个节奏走，刷完整本约 25-35 小时（不含动手实验）。

学习路径

flowchart TB
    Start[选择你的目标] --> Q[30 分钟理解]
    Start --> S[源码主线]
    Start --> P[工业实战]
    Start --> I[面试冲刺]

    Q --> Q1[前置概念 → vLLM 是什么 → 架构 → 首个 API 服务]
    S --> S1[入口 → 输入 → 调度 / KV → Runner / Attention → Sampling → 输出]
    P --> P1[环境 → 基准 → 调优 → 部署 / SLO → 安全 / 升级 → Capstone]
    I --> I1[高频题 → 计算题 → 系统设计 → 排障 → 模拟面试]

    classDef phase fill:#eff5ff,stroke:#2563eb,color:#1a1f29;
    classDef topic fill:#f7f8fa,stroke:#5b6573,color:#1a1f29;
    class Q,S,P,I phase;
    class Start,Q1,S1,P1,I1 topic;

四条路径可以独立走，也可以从“30 分钟理解”起步后再分流。

30 分钟理解

适合第一次接触 vLLM、需要快速建立全局心智模型的人。

前置知识（按需跳读） → vLLM 是什么 → 整体架构 → 启动 OpenAI-Compatible API

源码主线

适合准备读代码、改代码或定位引擎问题的人。顺序刻意沿一次请求的数据流展开。

入口与主循环 → 输入与 Tokenization → Scheduler → KV Cache → Model Runner → Attention → Sampling → 输出与 Streaming

工业实战

适合要把服务从“能跑”推进到“可量化、可调优、可上线、可回滚”的工程团队。

环境搭建 → Benchmark 方法论 → 调优 Playbook → 部署架构 → 容量规划 → SLO 与可观测性 → 安全与多租户 → 升级与回滚 → 生产 Capstone

面试冲刺

适合用可计算、可追问、可评分的方式准备推理工程面试。

30 道三层回答 → 容量与故障练习 → 系统设计 → 五轮模拟面试

如果目标是完整掌握，仍建议按 01 → 09 顺序阅读，并在每章用锁定 commit 的语义源码锚点回到真实实现。

章节索引（带钩子）

每章后面一句话告诉你为什么要读。

1. 总览 · 01-overview/ — 6 章

• 00-prerequisites.md — 🆕 token / KV cache / TTFT·TPOT / TP·PP·DP 一次铺平，零基础起点。
• 01-what-is-vllm.md — vLLM 是什么，为什么快，靠哪三大武器。
• 02-architecture.md — 三层进程、四个核心数据结构、一步推理的完整数据流。
• 03-v0-vs-v1.md — V1 重构改了什么，为什么改。
• 04-project-structure.md — 1700+ 文件按模块分类导航（这章很长，按需查阅）。
• 05-process-and-ipc-internals.md — 从进程/地址空间讲到 ZMQ socket pattern、共享内存状态机与 384 卡分布式通信边界。

2. 核心概念 · 02-core-concepts/ — 5 章

• 01-paged-attention.md — 用 OS 虚拟内存类比讲 paged KV cache + block table。
• 02-continuous-batching.md — 为什么 vLLM 不用 static batching，迭代级调度的两个前提。
• 03-kv-cache-management.md — Block Pool / 引用计数 / preempt vs swap 策略。
• 04-prefix-caching.md — Merkle 链式 hash + extra_keys，多卡 / LoRA / 多模态怎么算。
• 05-chunked-prefill.md — 长 prompt 怎么切才不卡 decode，max-num-batched-tokens 怎么调。

3. 源码走读 · 03-code-walkthrough/ — 10 章

• 01-entry-points.md — LLM / AsyncLLM / EngineCore 的调用链。
• 02-scheduler.md — Scheduler.schedule() 完整走读，token budget + preemption。
• 02b-scheduling-policies.md — FCFS vs PRIORITY、优先级反演、抢占代价量化。
• 03-kv-cache-manager.md — allocate / free / hash 的代码级细节。
• 04-model-runner.md — execute_model：输入拼装 / forward / sampler。
• 05-attention-backends.md — FlashAttn / FlashInfer / Triton / MLA 怎么选。
• 06-cuda-kernels.md — PagedAttention v1/v2、RoPE、RMSNorm CUDA 实现。
• 07-model-architectures.md — MLA / Mamba / MoE / GQA 在源码层的差异。
• 08-input-processing-and-tokenization.md — 从 OpenAI 请求、chat template、tokenizer 到 EngineCoreRequest。
• 09-output-processing-and-streaming.md — 从 sampler / detokenizer 到 SSE、finish reason 与取消传播。

4. 优化 · 04-optimizations/ — 5 章

• 01-quantization.md — FP8 / INT4 / AWQ / GPTQ / Marlin 的选型矩阵。
• 02-speculative-decoding.md — n-gram / EAGLE / Medusa / MTP 的取舍。
• 03-cudagraph-and-compile.md — CUDA Graph + torch.compile 何时开 / 何时关 / 失败降级路径。
• 04-compilation-internals.md — CompilerManager / VllmBackend / 自定义 pass 深度。
• 05-roofline-and-arithmetic-intensity.md — 🆕 存算比定量推导：prefill 为何 compute-bound、decode 为何 memory-bound，Llama-70B 算一遍，batching 摊薄权重却摊不薄 KV。

5. 分布式 · 05-distributed/ — 5 章

• 01-tp-pp-ep.md — TP 切法 / PP 流水气泡 / EP expert 负载均衡。
• 02-disaggregated.md — Prefill/Decode 分离的数据流 + NIXL RDMA + 决策表。
• 03-expert-parallel-deep-dive.md — MoE AllToAll 6 个后端、EPLB、宽 EP 部署模式。
• 04-context-parallel.md — PCP / DCP 双维度长上下文切分；MLA 模型 a2a backend 省 NCCL。
• 05-large-scale-cluster-inference.md — 🆕 千卡/万卡实战：通信墙/故障墙/长尾墙、EP 同步长尾、AllToAll 撞网络、blast radius、6 类规模化故障 runbook。

6. 工程问答 · 06-interview/ — 4 章

• 01-common-questions.md — 30 个问题按结论、机制、取舍、验证 / 回滚和追问展开。
• 02-system-design.md — 需求优先的容量、架构、故障域、发布与成本推演。
• 03-capacity-and-troubleshooting-drills.md — 8 道带单位计算题 + 8 类证据优先故障题。
• 04-mock-interview-and-rubric.md — 概念 / 源码 / 计算 / 设计 / 事故五轮评分与项目叙事模板。

7. 实操 · 07-hands-on/ — 8 章

• 01-setup.md — uv 环境 / 预编译 vs 源码 / GPU 检查。
• 02-trace-a-request.md — debugger 跟一个请求从 HTTP 到 token。
• 03-mini-experiments.md — 5 个动手实验（block_size / prefix hit / batching / 量化等）。
• 04-profiling-and-debugging.md — torch.profiler / NVTX / py-spy / 显存泄漏。
• 05-serve-openai-api.md — 从零启动、健康检查、鉴权、streaming 与失败证据。
• 06-benchmark-methodology.md — 固定变量、quality gate、goodput 与可复现 benchmark。
• 07-tuning-playbook.md — 从症状到单变量、可回滚调优实验。
• 08-production-capstone.md — 交付可运维、可扩容、可回滚的证据包。

8. 生产部署 · 08-production-deployment/ — 13 章

• 01-deployment-architectures.md — vLLM Production Stack / llm-d / AIBrix 三套参考栈对比。
• 02-smart-routing-and-load-balancing.md — prefix-cache aware / session sticky / 负载打分。
• 03-gateway-and-service-mesh.md — Istio + Gateway API Inference Extension + ExtProc。
• 04-autoscaling-and-capacity.md — KEDA / 容量公式 / 冷启动 / 优雅 drain。
• 05-slo-and-observability.md — TTFT/TPOT/p99 SLO + Prometheus + OTel。
• 06-reliability-and-failure-modes.md — 8 个失效模式与防护。
• 07-incident-playbook.md — 8 个真实故障 runbook。
• 08-monitoring-cookbook.md — 可直接抄走的 PromQL / 告警规则 YAML / Grafana dashboard 骨架。
• 09-vllm-doctor-skill.md — 把 06-07-08 章人工流程编成 agent 自动跑：7 阶段工作流 + 决策树 + 三级整改 + 离线 dry-run。
• 10-gpu-utilization-and-tail-latency.md — 🆕 全链路性能诊断：GPU-Util 为何是谎言、MBU/MFU、带宽/利用率为何打不满、长尾 8 类根因与处置。
• 11-security-and-multi-tenancy.md — 威胁模型、auth、quota、artifact / LoRA trust、脱敏与 tenant isolation。
• 12-upgrades-rollbacks-and-compatibility.md — 兼容矩阵、golden、shadow / canary、drain 与 rollback。
• 13-384-h100-glm-deepseek-deployment.md — 🆕 48 节点/384×H100 实战：GLM-5.1、GLM-5.2、DeepSeek-V4-Flash 的副本内并行、集群切分、上线门禁、故障处置与递进面试深挖。

9. 应用特性 · 09-advanced-features/ — 5 章

• 01-sampling-and-logits.md — 当前 sampling 顺序、backend、seed 边界、logprobs 与投机兼容性。
• 02-structured-output.md — auto / 显式后端、grammar compile / bitmask、fallback 与错误边界。
• 03-multimodal.md — 图像/视频/音频编码器、encoder cache、Qwen2-VL。
• 04-lora-serving.md — LoRAModelManager / Punica / 多 LoRA batching。
• 05-embedding-and-pooling.md — BGE / E5 / BGE-M3 / 复用 vLLM 引擎做 embedding。

vLLM 仓库地标速查

源码锚点：vllm/v1/core/kv_cache_utils.py · hash_block_tokens

完整地图见 01-overview/04-project-structure.md。

学习方法（5 条铁律）

1. 概念落到代码。 不看博客的二手解读，源码才是唯一真相。
2. 先看数据契约，再看内部。 读 Scheduler 之前先看 SchedulerOutput 的字段；读 KV manager 之前先看 KVCacheBlocks 的形状。
3. 打 print 比读注释快。 用 LLM("facebook/opt-125m").generate(...) 给 Scheduler、KVCacheManager 各加一句 print，跑一次就懂。
4. 三张图刻进脑子。 请求生命周期、KV 物理↔逻辑映射、Scheduler 一步内的决策流。每张都自己画一遍。
5. 永远做对比。 讲 vLLM 的优势，必须能讲清"HF Transformers 是怎么做的、为什么慢"。

工程理解自检清单

读完整套笔记后，下面每个问题应该能在 1-2 分钟内讲清，并指出对应源码位置：

• Paged KV cache、continuous batching 与 prefix caching 分别解决什么，代价是什么？
• KV block size 太大太小各有什么问题？如何在目标 backend / workload 上验证？
• Continuous batching 和 static batching 的本质区别？为什么 GPU 利用率提升？
• Prefix caching 的 hash 怎么算？怎么避免冲突？多模态怎么处理？
• Chunked prefill 解决了什么？如何核准目标版本默认值与模型限制？
• Tensor parallel 在 MLP 用 column → row 的原因？AllReduce 落在哪？
• Speculative decoding 的接受率怎么算？拒绝采样的数学推导写一遍。
• FP8 / INT8 / INT4 各自的精度损失主要发生在哪？
• V0 → V1 重构的三个最大改变是什么？为什么这么改？
• KV 不够时怎么处理？V1 默认 recompute 还是 swap，为什么？

每题都有专门展开，见 06-interview/。

必读资料

按阅读顺序：

1. PagedAttention 论文 — Kwon et al., Efficient Memory Management for LLM Serving with PagedAttention, SOSP 2023。先读这篇，再读代码。
2. Continuous Batching 博客 — Anyscale, How Continuous Batching Enables 23× Throughput。
3. vLLM 官方文档 — https://docs.vllm.ai/ ，重点看 design / kernel 章节。
4. FlashAttention v1/v2/v3 — 理解 SRAM tiling 的关键。
5. Speculative Decoding 论文 — Leviathan et al., 2023, Fast Inference from Transformers via Speculative Decoding。
6. EAGLE / MTP — 当下最强的投机方案系列。

构建与部署

把这份手册转成 HTML 网站、PDF、EPUB，或者部署到 GitHub Pages，看 DEPLOY.md。一键命令（脚本会自动用项目相对路径，不再依赖固定位置）：

python3 build_html.py      # → ../vllm-learning-html/  (含搜索 + 暗黑切换 + Mermaid + 阅读时间)
python3 build_pdf_epub.py  # → ../vllm-learning-html/vllm-learning.pdf + .epub
./deploy_gh_pages.sh <repo-url>

如果你想把材料放别处，设环境变量 VLLM_LEARNING_SRC / VLLM_LEARNING_DST 即可。

自动排障 Skill：vllm-doctor

仓库内置了一个 Claude Code skill vllm-doctor，把第 06-07-08 章里散落的 incident playbook 编成 agent 可以自动跑的 7 阶段流程：环境探测 → 拉 Golden 3 指标 → 决策树路由 → 深度诊断 → 生成整改计划 → 显式审批后执行 mutation → 恢复验证与报告。缺少当前 metric、threshold 或证据时 fail closed，不把“没有 active route”误报为恢复。

安装到本地 Claude Code：

cp -r .claude/skills/vllm-doctor ~/.claude/skills/

触发：在 Claude Code 里输入 /vllm-doctor（前置必须 export VLLM_NAMESPACE / PROM_URL / KUBECONFIG）。

不连集群也想验证逻辑：

export VLLM_DOCTOR_FIXTURE=/path/to/golden3.json   # 跳过 Prometheus，直接喂 mock 数据

覆盖的 8 类事故：KV 抢占级联、NCCL hang、GPU OOM、客户端重试雪崩、prefix cache 命中率塌方、冷启动、输出质量异常、LoRA 适配器抖动。完整说明见 .claude/skills/vllm-doctor/SKILL.md。

贡献与扩展

发现 file_path:line_number 失效了？vLLM 主分支变化快，欢迎 PR 修正。

想新加一章？沿用每章统一的"章首导读 + 正文 + 小结/自检/下一步"模板（任意章可作范例）。

开始读 01-overview/01-what-is-vllm.md。 或者从 00-prerequisites.md 铺前置。