[AI] 模型推理成本优化：批处理、动态批次与缓存复用实战

目标：在本地/私有化 LLM 部署中降低推理成本，覆盖批处理、动态批次、KV 缓存复用、I/O 优化与监控回归。

1. 成本来源

• 算力：GPU/CPU 占用、功耗、并发不足导致的浪费；
• I/O：模型加载、磁盘/网络延迟；
• Tokens：上下文过长、重复提示；
• 并发与队列：小批次、高切换造成吞吐低。

2. 批处理与动态批次

• 固定批次：控制max-num-batched-tokens（vLLM）、max_batch_prefill_tokens（TGI），兼顾显存与吞吐；
• 动态批次：按请求排队到阈值或超时即发，提升吞吐；
• 预填充分片（chunked prefill）：长上下文切分，降低显存峰值。

3. KV 缓存复用

• 复用系统 prompt/模板的 KV，减少重复计算；
• 分页 KV（PagedAttention）降低碎片；
• LRU 淘汰策略，保护热点前缀；
• 长会话可用摘要/截断，避免爆缓存。