收藏

历史
投稿

LMCache：基于KV缓存复用的LLM推理优化方案

知乎专栏-deephub深度学习 2025-12-09 19:13:55
收藏

LLM推理服务中，（Time-To-First-Token） 一直是个核心指标。用户发起请求到看见第一个token输出，这段时间越短体验越好，但实际部署中往往存在各种问题。

LMCache针对TTFT提出了一套KV缓存持久化与复用的方案。项目开源，目前已经和vLLM深度集成。


原理

大模型推理有个特点：每次处理输入文本都要重新计算KV缓存。KV缓存可以理解为模型"阅读"文本时产生的中间状态，类似于做的笔记。

问题在于传统方案不复用这些"笔记"。同样的文本再来一遍，整个KV缓存从头算。

LMCache的做法是把KV缓存存下来——不光存GPU显存里，还能存到CPU内存、磁盘上。下次遇到相同文本（注意不只是前缀匹配，是任意位置的文本复用），直接取缓存，省掉重复计算。

实测效果：搭配vLLM，在多轮对话、RAG这类场景下，响应速度能快3到10倍。

伪代码大概是这样：

 # Old way: Slow as molasses  
def get_answer(prompt):  
    memory = build_memory_from_zero(prompt)  # GPU cries  
    return model.answer(memory)  

# With LMCache: Zippy and clever  
import lmcache  
def get_answer(prompt):  
    if lmcache.knows_this(prompt):  # Seen it before?  
        memory = lmcache.grab_memory(prompt)  # Snag it fast  
    else:  
        memory = build_memory_from_zero(prompt)  
        lmcache.save_memory(prompt, memory)  # Keep it for later  
     return model.answer(memory)


几个特性

缓存读取速度比原生方案快7倍左右，吞吐量也有提升。文本不管在prompt的什么位置，只要重复出现就能命中缓存。

存储层面支持多级——GPU显存、CPU内存、磁盘都行，甚至可以接NIXL这种分布式存储，GPU压力能减轻不少。

LMCache和vLLM v1集成得比较深，支持跨设备共享KV缓存、跨节点传递等特性。生产环境里可以配合llm-d、KServe这些工具用。

做聊天机器人或者RAG应用的话，这东西能在不升级硬件的情况下把延迟压下来一部分。

安装

LMCache目前主要支持Linux，Windows上得走WSL或者社区的适配方案。

基本要求：Python 3.9+，NVIDIA GPU（V100、H100这类），CUDA 12.8以上。装好之后离线也能跑。

pip直接装：

 pip install lmcache

自带PyTorch依赖。遇到奇怪报错的话，建议换源码编译。

想尝鲜可以装TestPyPI上的预发布版：

 pip install --index-url https://pypi.org/simple --extra-index-url https://test.pypi.org/simple lmcache==0.3.4.dev61

验证一下版本：

 importlmcache  
 fromimportlib.metadataimportversion  
 print(version("lmcache"))  # Should be 0.3.4.dev61 or newer

具体版本号去GitHub看最新的。

源码编译

喜欢折腾的可以clone下来自己编：

 git clone https://github.com/LMCache/LMCache.git  
cd LMCache  
pip install -r requirements/build.txt  
# Pick one:  
# A: Choose your Torch  
pip install torch==2.7.1  # Good for vLLM 0.10.0  
# B: Get vLLM with Torch included  
pip install vllm==0.10.0  
 pip install -e . --no-build-isolation

跑个验证：

 python3 -c"import lmcache.c_ops"

不报错就行。

用uv的话会快一些：

 git clone https://github.com/LMCache/LMCache.git  
 cd LMCache  
 uv venv --python3.12  
 source .venv/bin/activate  
 uv pip install -r requirements/build.txt  
 # Same Torch/vLLM choices  
 uv pip install -e . --no-build-isolation

Docker部署

如果嫌麻烦直接拉镜像：

 # Stable  
 docker pull lmcache/vllm-openai  
 # Nightly  
 docker pull lmcache/vllm-openai:latest-nightly

AMD GPU（比如MI300X）需要从vLLM基础镜像开始，加上ROCm编译参数：

 PYTORCH_ROCM_ARCH="gfx942" \  
 TORCH_DONT_CHECK_COMPILER_ABI=1 \  
 CXX=hipcc \  
 BUILD_WITH_HIP=1 \  
 python3 -m pip install --no-build-isolation -e .

小结

KV缓存复用这个思路已经是基本操作了，但LMCache把它做得比较完整：多级存储、任意位置匹配、和vLLM的原生集成，这些组合起来确实能解决实际问题。对于多轮对话、RAG这类prompt重复率高的场景，3-10倍的TTFT优化是实打实的。

LMCache目前主要绑定vLLM生态，Linux优先，AMD GPU支持还在完善中。但作为一个开源方案，值得关注。

项目地址：https://github.com/LMCache/LMCache

作者：Algo Insights

原始链接： https://zhuanlan.zhihu.com/p/1981803282088346357
侵权请联系站方： [email protected]

相关推荐

换一批