随着大模型应用的普及，推理过程中的高计算资源消耗和 KVCache（键值缓存）的冗余存储成为关键瓶颈，导致推理成本高昂、吞吐量受限，尤其在长上下文场景中表现尤为突出。Mooncake 项目通过创新的以 KVCache 为中心的“PD 分离”架构（计算与存储解耦）和“以存换算”设计，将 KVCache 池化共享，结合高性能传输技术（如 eRDMA、GPUDirect）和分布式存储优化，实现跨实例的资源复用。

Mooncake 项目包括三大创新点：（1）Transfer Engine：支持全链路零拷贝、多网卡聚合（8×400Gbps），兼容 eRDMA/NVLink/CXL，动态拓扑感知。（2）KVCache Store：利用 GPU 闲置内存与 RPC 框架 coro_rpc，实现透明多级缓存，未来支持廉价存储下沉。（3）生态整合：与 vLLM/SGLang 等主流推理框架适配，TPOT 下降 20%，成本低至 0.2$/1M Token。在多轮对话，长文本阅读等场景中，推理吞吐量显著提升，响应时间降低 69.1%，并被阿里云、蚂蚁集团等企业实际部署。

演讲提纲：

1. 引言
   • 大模型推理的挑战：成本、吞吐与长上下文瓶颈
   • Mooncake 项目的产学研背景与开源意义
2. 核心技术解析
   • PD分离架构：计算与存储解耦的设计哲学
   • KVCache池化：共享机制与性能优化
   • Transfer Engine：eRDMA/GPUDirect 的高效传输实现
3. 行业实践与效果
   • 与vLLM/SGLang的适配案例
   • 企业级部署经验（阿里云、蚂蚁集团）
4. 未来展望
   • Mooncake Store v2：多实例共享KVCache
   • 生态扩展：LMDeploy、TensorRT-LLM等框架支持

听众收益：

• 了解如何通过 KVCache 池化与 PD 分离架构解决大模型推理的高成本问题，获得可复用的架构设计思路
• 学习 eRDMA/GPUDirect 等高性能传输技术在大模型场景的落地方法，提升分布式系统优化能力
• 掌握主流推理框架（如 vLLM）与 Mooncake 的适配策略，推进开源解决方案持续发展