系列：《LLM 技术全景：从 Token 到部署》定位：工程实践篇 · 第 4 篇（总第 36 篇）上承：第 35 篇《vLLM 推理框架深度解析》（框架层调度与显存管理）下启：第 37 篇《大模型服务化架构：API 设计、缓存与成本控制》摘要核心问题：vLLM 已经把调度和显存管理做到极致，但 GPU 上的 kernel 执行仍按"通用写法"跑——还有一层硬件级压榨空间没挖。TensorRT-LLM 的答案：把模型当作"待编译的程序"，在部署前离线编译成 NVIDIA 定制推理引擎：Kernel 融合、FP8/INT8 量化、注意力专项优化、飞行中批处理（In-flight Batching）。阅读收获：看懂"编译式推理"与 vLLM"解释式推理"的本质差异与取舍；掌握 Kernel 融合、FP8 量化两大核心优化到底优化了什么；能照着实战流程把 TensorRT-LLM 引擎构建出来并用 Triton 服务化；拿到"vLLM vs TensorRT-LLM"选型决策表，知道什么