系列：《LLM 技术全景：从 Token 到部署》定位：工程实践篇 · 第 3 篇（总第 35 篇）上承：第 34 篇《知识蒸馏与模型剪枝》（把模型压小压省）下启：第 36 篇《TensorRT-LLM 实战》（NVIDIA 硬核加速）摘要核心问题：模型训练好了，怎么"高吞吐、低成本"地服务出去？朴素做法（一次一个请求、整块显存预分配）会把 GPU 利用率压到 20% 以下。vLLM 的答案：用PagedAttention把 KV Cache 像操作系统管理内存一样分页，消除显存碎片；用连续批处理（Continuous Batching）把随时到达、长短不一的请求塞进同一批，把 GPU 拉满。阅读收获：看懂为什么"传统 serving 吞吐低"——根因是 KV Cache 显存浪费 + 静态批处理；理解 PagedAttention 如何用"块表"把显存利用率从 ~20% 拉到 ~95%；能够照着实战代码把 vLLM 跑起来，并选对关键参数；