model-serving

模型服务

用途

使用经过优化的服务引擎、流式响应模式和编排框架，为生产环境部署 LLM 和 ML 模型。重点关注可自托管的模型服务、GPU 优化，以及与前端应用的集成。

适用场景

• 为生产环境部署 LLM（自托管 Llama、Mistral、Qwen）
• 构建支持流式响应的 AI API
• 提供传统 ML 模型服务（scikit-learn、XGBoost、PyTorch）
• 使用向量数据库实现 RAG 流水线
• 优化推理吞吐量和延迟
• 将 LLM 服务集成到前端聊天界面

模型服务选型

LLM 服务引擎

vLLM（首选）

• 使用 PagedAttention 管理内存（吞吐量提升 20-30 倍）
• 使用连续批处理动态处理请求
• 提供兼容 OpenAI 的 API 端点
• 适用场景：大多数自托管 LLM 部署

TensorRT-LLM

• GPU 效率最高（比 vLLM 快 2-8 倍）
• 需要转换和优化模型
• 适用场景：需要绝对最高吞吐量的生产工作负载

Ollama

• 无需 GPU 即可进行本地开发
• 简洁的命令行界面
• 适用场景：原型开发、笔记本电脑开发、教育用途

决策框架：

Self-hosted LLM deployment needed?
├─ Yes, need maximum throughput → vLLM
├─ Yes, need absolute max GPU efficiency → TensorRT-LLM
├─ Yes, local development only → Ollama
└─ No, use managed API (OpenAI, Anthropic) → No serving layer needed

ML 模型服务（非 LLM）

BentoML（推荐）

• 原生支持 Python，易于部署
• 使用自适应批处理提升吞吐量
• 支持多种框架（scikit-learn、PyTorch、XGBoost）
• 适用场景：大多数传统 ML 模型部署

Triton Inference Server

• 在同一 GPU 上提供多模型服务
• 支持模型集成（串联多个模型）
• 适用场景：NVIDIA GPU 优化、为 10 个以上模型提供服务

LLM 编排

LangChain

• 通用工作流、Agent 和 RAG
• 100 多种集成（LLM、向量数据库、工具）
• 适用场景：大多数 RAG 和 Agent 应用

LlamaIndex

• 专注于 RAG，提供高级检索策略
• 100 多种数据连接器（PDF、Notion、网页）
• 适用场景：RAG 是主要用例

快速入门示例

vLLM 服务设置

# Install
pip install vllm

# Serve a model (OpenAI-compatible API)
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --dtype auto \
  --max-model-len 4096 \
  --gpu-memory-utilization 0.9 \
  --port 8000

关键参数：

• --dtype：模型精度（auto、float16、bfloat16）
• --max-model-len：上下文窗口大小
• --gpu-memory-utilization：GPU 内存占比（0.8-0.95）
• --tensor-parallel-size：用于模型并行的 GPU 数量

流式响应（SSE 模式）

后端（FastAPI）：

from fastapi import FastAPI
from fastapi.responses import StreamingResponse
from openai import OpenAI
import json

app = FastAPI()
client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")

@app.post("/chat/stream")
async def chat_stream(message: str):
    async def generate():
        stream = client.chat.completions.create(
            model="meta-llama/Llama-3.1-8B-Instruct",
            messages=[{"role": "user", "content": message}],
            stream=True,
            max_tokens=512
        )

        for chunk in stream:
            if chunk.choices[0].delta.content:
                token = chunk.choices[0].delta.content
                yield f"data: {json.dumps({'token': token})}\n\n"

        yield f"data: {json.dumps({'done': True})}\n\n"

    return StreamingResponse(
        generate(),
        media_type="text/event-stream",
        headers={"Cache-Control": "no-cache"}
    )

前端（React）：

// Integration with ai-chat skill
const sendMessage = async (message: string) => {
  const response = await fetch('/chat/stream', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ message })
  })

  const reader = response.body!.getReader()
  const decoder = new TextDecoder()

  while (true) {
    const { done, value } = await reader.read()
    if (done) break

    const chunk = decoder.decode(value)
    const lines = chunk.split('\n\n')

    for (const line of lines) {
      if (line.startsWith('data: ')) {
        const data = JSON.parse(line.slice(6))
        if (data.token) {
          setResponse(prev => prev + data.token)
        }
      }
    }
  }
}

BentoML 服务

import bentoml
from bentoml.io import JSON
import numpy as np

@bentoml.service(
    resources={"cpu": "2", "memory": "4Gi"},
    traffic={"timeout": 10}
)
class IrisClassifier:
    model_ref = bentoml.models.get("iris_classifier:latest")

    def __init__(self):
        self.model = bentoml.sklearn.load_model(self.model_ref)

    @bentoml.api(batchable=True, max_batch_size=32)
    def classify(self, features: list[dict]) -> list[str]:
        X = np.array([[f['sepal_length'], f['sepal_width'],
                       f['petal_length'], f['petal_width']] for f in features])
        predictions = self.model.predict(X)
        return ['setosa', 'versicolor', 'virginica'][predictions]

LangChain RAG 流水线

from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Qdrant
from langchain.chains import RetrievalQA
from langchain.text_splitter import RecursiveCharacterTextSplitter

# Load and chunk documents
text_splitter = RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)

# Create vector store
embeddings = OpenAIEmbeddings()
vectorstore = Qdrant.from_documents(
    chunks,
    embeddings,
    url="http://localhost:6333",
    collection_name="docs"
)

# Create retrieval chain
llm = ChatOpenAI(model="gpt-4o")
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
    return_source_documents=True
)

# Query
result = qa_chain({"query": "What is PagedAttention?"})

性能优化

GPU 内存估算

LLM 经验法则：

GPU Memory (GB) = Model Parameters (B) × Precision (bytes) × 1.2

示例：

• Llama-3.1-8B（FP16）：8B × 2 字节 × 1.2 = 19.2 GB
• Llama-3.1-70B（FP16）：70B × 2 字节 × 1.2 = 168 GB（需要 2-4 张 A100）

量化可减少内存占用：

• FP16：每个参数 2 字节
• INT8：每个参数 1 字节（内存占用减少 2 倍）
• INT4：每个参数 0.5 字节（内存占用减少 4 倍）

vLLM 优化

# Enable quantization (AWQ for 4-bit)
vllm serve TheBloke/Llama-3.1-8B-AWQ \
  --quantization awq \
  --gpu-memory-utilization 0.9

# Multi-GPU deployment (tensor parallelism)
vllm serve meta-llama/Llama-3.1-70B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.9

批处理策略

连续批处理（vLLM 默认）：

• 动态向批次中添加或移除请求
• 吞吐量高于静态批处理
• 无需配置

自适应批处理（BentoML）：

@bentoml.api(
    batchable=True,
    max_batch_size=32,
    max_latency_ms=1000  # Wait max 1s to fill batch
)
def predict(self, inputs: list[np.ndarray]) -> list[float]:
    # BentoML automatically batches requests
    return self.model.predict(np.array(inputs))

生产部署

Kubernetes 部署

完整的 YAML 清单请参阅 examples/k8s-vllm-deployment/。

关键注意事项：

• GPU 资源请求：nvidia.com/gpu: 1
• 健康检查：/health 端点
• 根据队列深度进行水平 Pod 自动扩缩容
• 用于模型缓存的持久卷

API 网关模式

在生产环境中，添加速率限制、身份验证和监控：

Kong 配置：

services:
  - name: vllm-service
    url: http://vllm-llama-8b:8000
    plugins:
      - name: rate-limiting
        config:
          minute: 60  # 60 requests per minute per API key
      - name: key-auth
      - name: prometheus

监控指标

关键 LLM 指标：

• 每秒 Token 数（吞吐量）
• 首 Token 时间（TTFT）
• Token 间延迟
• GPU 利用率和内存
• 队列深度

Prometheus 埋点：

from prometheus_client import Counter, Histogram

requests_total = Counter('llm_requests_total', 'Total requests')
tokens_generated = Counter('llm_tokens_generated', 'Total tokens')
request_duration = Histogram('llm_request_duration_seconds', 'Request duration')

@app.post("/chat")
async def chat(request):
    requests_total.inc()
    start = time.time()
    response = await generate(request)
    tokens_generated.inc(len(response.tokens))
    request_duration.observe(time.time() - start)
    return response

集成模式

前端（ai-chat）集成

此技能为 ai-chat 技能提供后端服务层。

流程：

Frontend (React) → API Gateway → vLLM Server → GPU Inference
     ↑                                                  ↓
     └─────────── SSE Stream (tokens) ─────────────────┘

完整实现模式请参阅 references/streaming-sse.md。

使用向量数据库实现 RAG

架构：

User Query → LangChain
              ├─> Vector DB (Qdrant) for retrieval
              ├─> Combine context + query
              └─> LLM (vLLM) for generation

完整模式请参阅 references/langchain-orchestration.md 和 examples/langchain-rag-qdrant/。

异步推理队列

用于批处理或非实时推理：

Client → API → Message Queue (Celery) → Workers (vLLM) → Results DB

适用于：

• 批量处理文档
• 后台摘要生成
• 非交互式工作流

基准测试

使用 scripts/benchmark_inference.py 测量部署情况：

python scripts/benchmark_inference.py \
  --endpoint http://localhost:8000/v1/chat/completions \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --concurrency 32 \
  --requests 1000

输出：

• 每秒请求数
• P50/P95/P99 延迟
• 每秒令牌数
• GPU 内存用量

捆绑资源

详细指南：

• references/vllm.md - vLLM 设置、PagedAttention、优化
• references/tgi.md - Text Generation Inference 模式
• references/bentoml.md - BentoML 部署模式
• references/langchain-orchestration.md - LangChain RAG 和 Agent
• references/inference-optimization.md - 量化、批处理、GPU 调优

可运行示例：

• examples/vllm-serving/ - 完整的 vLLM + FastAPI 流式设置
• examples/ollama-local/ - 使用 Ollama 进行本地开发
• examples/langchain-agents/ - LangChain Agent 模式

实用脚本：

• scripts/benchmark_inference.py - 吞吐量和延迟基准测试
• scripts/validate_model_config.py - 验证部署配置

常见模式

从 OpenAI API 迁移

vLLM 提供兼容 OpenAI 的端点，便于迁移：

# Before (OpenAI)
from openai import OpenAI
client = OpenAI(api_key="sk-...")

# After (vLLM)
from openai import OpenAI
client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"
)

# Same API calls work!
response = client.chat.completions.create(
    model="meta-llama/Llama-3.1-8B-Instruct",
    messages=[{"role": "user", "content": "Hello"}]
)

多模型服务

根据任务将请求路由到不同模型：

MODEL_ROUTING = {
    "small": "meta-llama/Llama-3.1-8B-Instruct",  # Fast, cheap
    "large": "meta-llama/Llama-3.1-70B-Instruct", # Accurate, expensive
    "code": "codellama/CodeLlama-34b-Instruct"    # Code-specific
}

@app.post("/chat")
async def chat(message: str, task: str = "small"):
    model = MODEL_ROUTING[task]
    # Route to appropriate vLLM instance

成本优化

跟踪令牌用量：

import tiktoken

def estimate_cost(text: str, model: str, price_per_1k: float):
    encoding = tiktoken.encoding_for_model(model)
    tokens = len(encoding.encode(text))
    return (tokens / 1000) * price_per_1k

# Compare costs
openai_cost = estimate_cost(text, "gpt-4o", 0.005)  # $5 per 1M tokens
self_hosted_cost = 0  # Fixed GPU cost, unlimited tokens

故障排查

GPU 内存不足：

• 降低 --max-model-len
• 调低 --gpu-memory-utilization（尝试 0.8）
• 启用量化（--quantization awq）
• 使用更小的模型变体

吞吐量低：

• 提高 --gpu-memory-utilization（尝试 0.95）
• 启用连续批处理（vLLM 默认启用）
• 检查 GPU 利用率（应高于 80%）
• 多 GPU 场景下可考虑张量并行

延迟高：

• 使用静态批处理时，减小批次大小
• 检查到 GPU 服务的网络延迟
• 使用 scripts/benchmark_inference.py 进行性能分析

后续步骤

1. 本地开发：从 examples/ollama-local/ 开始，无需 GPU 即可测试
2. 生产环境设置：使用 examples/vllm-serving/ 部署 vLLM
3. RAG 集成：使用 examples/langchain-rag-qdrant/ 添加向量数据库
4. Kubernetes：使用 examples/k8s-vllm-deployment/ 扩展
5. 监控：使用 Prometheus 和 Grafana 添加指标