大模型推理框架vLLM 中的Prompt缓存实现原理

背景：为什么需要Prompt缓存模块？

在大模型问答多轮对话应用场景中，不同请求的 Prompt 往往有相同的前缀，比如：

第一次问答：

你是一名专业的电子产品客服，负责回答客户关于手机产品的咨询。请根据以下问题提供准确、友好的回答。
当前产品库支持查询的品牌包括：Apple、华为、小米、三星。

用户问题：
iPhone 16 的电池容量是多少？
模型回答：
iPhone 16 的电池容量为 3227 mAh。

第二次问答：

（保留之前所有上下文）
你是一名专业的电子产品客服...（同上）

用户问题：
iPhone 16 的电池容量是多少？
模型回答：
iPhone 16 的电池容量为 3227 mAh.

用户新问题：
那它的快充功率呢？
模型回答：
iPhone 16 支持 20W 快充。

两轮问答请求中，系统预设的客服角色描述、产品库范围等前缀内容完全一致，这就会导致模型推理流程：

• 每次都从头计算整个 Prompt 的 attention

• 重复计算前缀浪费算力

Prefix Cache 通过缓存这个已计算好的 Prompt 编码结果（KV 对）直接复用，前面的结果会存储在GPU缓存中，生成时只算后半部分。

这里说的Prompt缓存实际是vLLM中Prefix Cache的实现

vLLM 的 Prefix Cache 原理

vLLM 中的 Prefix Cache 是基于 KV Cache 的静态共享机制，主要思路：

1. 前缀哈希（Prefix Hashing）

   • 将 Prompt 转成 token 序列后计算哈希值

   • 相同 token 序列的哈希值相同

   • 哈希值作为缓存 key

2. 存储 KV 对（Key/Value Tensors）

   • KV 对是 attention 层计算后的结果

   • 存在 GPU 显存中（或部分放在 CPU 内存）

3. 复用机制（Reuse）

   • 当新的请求到来时，如果前缀哈希匹配，就直接加载已有的 KV 对

   • 只需对新增的 token 做计算

4. 分页管理（PagedAttention 兼容）

   • Prefix Cache 依旧用 page（block）方式管理

   • 可与普通 KV Cache 混用，不影响批处理

工作流程：

以一次批处理请求为例：

Prefill 阶段

1. Tokenizer 将输入文本转成 token 序列

2. 对序列做哈希（如 MurmurHash）

3. 检查哈希表：

   • 命中：直接取 KV 对 → 进入生成阶段

   • 未命中：计算 KV 对并存入哈希表

Decode 阶段

• 使用已缓存的 KV 对作为上下文

• 新 token 持续追加到 KV Cache

这样的好处是可以减少重复计算：多个请求共享相同前缀的计算结果，同时加速批处理：常见系统提示（system prompt）复用率很高