Inference Cookbook

部署模式详解

本文详细介绍 Dynamo 的四种部署模式，帮助用户根据实际需求选择合适的部署方案。

1. 部署模式概览

Dynamo 支持四种部署模式，复杂度和性能逐级提升：

graph LR subgraph progression["部署模式演进"] AGG["聚合模式"] --> AGG_R["聚合 + 路由"] AGG --> DIS["分离模式"] AGG_R --> DIS_R["分离 + 路由"] DIS --> DIS_R end
模式 配置复杂度 吞吐 TTFT 适用场景
聚合 低 基准 基准 开发测试
聚合 + 路由 中 基准 优化 3x 多轮对话
分离 中高 提升 2x 基准 高吞吐
分离 + 路由 高 提升 2x 优化 3x 生产环境

2. 聚合模式（Aggregated）

最简单的部署模式，所有组件运行在同一进程：

graph TB subgraph agg["聚合模式"] FE["Frontend"] --> PROC["Processor"] PROC --> W1["VllmWorker"] PROC --> W2["VllmWorker"] end

服务图定义 

# graphs/agg.py
from components.frontend import Frontend
from components.processor import Processor
from components.worker import VllmWorker

Frontend.link(Processor).link(VllmWorker)

配置示例 

# configs/agg.yaml
Frontend:
  served_model_name: deepseek-ai/DeepSeek-R1-Distill-Llama-8B
  endpoint: dynamo.Processor.chat/completions
  port: 8000

Processor:
  model: deepseek-ai/DeepSeek-R1-Distill-Llama-8B
  block-size: 64
  router: round-robin

VllmWorker:
  model: deepseek-ai/DeepSeek-R1-Distill-Llama-8B
  enable-prefix-caching: true
  tensor-parallel-size: 1
  ServiceArgs:
    workers: 1
    resources:
      gpu: 1

启动命令 

dynamo serve graphs.agg:Frontend -f configs/agg.yaml

适用场景

  • 开发测试
  • 小规模部署
  • 单 GPU 或小型 GPU 集群

3. 聚合 + 路由模式（Aggregated + Router）

在聚合模式基础上增加 KV-Aware 路由：

graph TB subgraph agg_router["聚合 + 路由模式"] FE["Frontend"] --> PROC["Processor"] PROC --> KVR["KV Router"] KVR --> W1["VllmWorker"] KVR --> W2["VllmWorker"] W1 --> |kv_events| NATS[("NATS")] W2 --> |kv_events| NATS NATS --> KVR end

服务图定义 

# graphs/agg_router.py
from components.frontend import Frontend
from components.processor import Processor
from components.worker import VllmWorker
from components.kv_router import Router

Frontend.link(Processor).link(Router).link(VllmWorker)

KV 路由工作原理

sequenceDiagram participant Request participant Router participant KVIndex participant Worker1 participant Worker2 Request->>Router: 新请求 tokens Router->>KVIndex: 查询前缀匹配 KVIndex-->>Router: Worker1 匹配 80% KVIndex-->>Router: Worker2 匹配 20% Router->>Worker1: 路由到 Worker1 Note over Worker1: 复用 80% KV Cache Note over Worker1: 只需计算 20% Prefill

性能收益

  • TTFT 降低 3 倍（高 KV 命中场景）
  • 避免重复 Prefill 计算

适用场景

  • 多 Worker 部署
  • 有大量相似请求（如 RAG、多轮对话）
  • 需要优化 TTFT

4. 分离模式（Disaggregated）

Prefill 和 Decode 分离部署：

graph TB subgraph disagg["分离模式"] FE["Frontend"] --> PROC["Processor"] PROC --> DW1["Decode Worker 1"] PROC --> DW2["Decode Worker 2"] DW1 --> |prefill_request| QUEUE["Prefill Queue"] DW2 --> |prefill_request| QUEUE QUEUE --> PW1["Prefill Worker 1"] QUEUE --> PW2["Prefill Worker 2"] PW1 --> |"NIXL
KV 传输"| DW1 PW2 --> |"NIXL
KV 传输"| DW2 end

服务图定义 

# graphs/disagg.py
from components.frontend import Frontend
from components.prefill_worker import PrefillWorker
from components.processor import Processor
from components.worker import VllmWorker

Frontend.link(Processor).link(VllmWorker).link(PrefillWorker)

分离模式工作流程

sequenceDiagram participant Client participant Decode as Decode Worker participant Queue as Prefill Queue participant Prefill as Prefill Worker Client->>Decode: 请求 Decode->>Queue: 提交 Prefill 任务 Queue->>Prefill: 分配任务 Note over Prefill: 计算 KV Cache Prefill->>Decode: NIXL 传输 KV loop Token Generation Note over Decode: 使用 KV Cache Decode-->>Client: 流式输出 end

性能收益

  • 单节点吞吐提升 30%
  • 多节点吞吐提升 2 倍以上
  • Prefill 和 Decode 独立扩展

适用场景

  • 高吞吐需求
  • 多节点部署
  • 长 prompt 场景

5. 分离 + 路由模式（Disaggregated + Router）

完整功能模式，结合分离部署和 KV 路由：

graph TB subgraph disagg_router["分离 + 路由模式"] FE["Frontend"] --> PROC["Processor"] PROC --> KVR["KV Router"] KVR --> DW1["Decode Worker 1"] KVR --> DW2["Decode Worker 2"] DW1 --> QUEUE["Prefill Queue"] DW2 --> QUEUE QUEUE --> PW1["Prefill Worker"] QUEUE --> PW2["Prefill Worker"] PW1 --> |NIXL| DW1 PW2 --> |NIXL| DW2 DW1 --> |kv_events| NATS[("NATS")] DW2 --> |kv_events| NATS NATS --> KVR end

服务图定义 

# graphs/disagg_router.py
from components.frontend import Frontend
from components.prefill_worker import PrefillWorker
from components.processor import Processor
from components.worker import VllmWorker
from components.kv_router import Router

Frontend.link(Processor).link(Router).link(VllmWorker).link(PrefillWorker)

性能收益

  • 最高吞吐
  • 最优 TTFT
  • 最大灵活性

适用场景

  • 生产环境
  • 大规模集群
  • 对性能有严格要求

6. 部署模式选择指南

flowchart TD START["选择部署模式"] --> Q1{"需要高吞吐?"} Q1 --> |是| Q2{"有多节点?"} Q1 --> |否| Q3{"需要优化 TTFT?"} Q2 --> |是| Q4{"需要优化 TTFT?"} Q2 --> |否| DISAGG["分离模式"] Q3 --> |是| AGG_R["聚合 + 路由"] Q3 --> |否| AGG["聚合模式"] Q4 --> |是| DISAGG_R["分离 + 路由"] Q4 --> |否| DISAGG

决策要点

场景 推荐模式 原因
开发测试 聚合 配置简单，快速验证
多轮对话应用 聚合 + 路由 复用历史 KV，优化 TTFT
高并发 API 服务 分离 最大化吞吐
生产级部署 分离 + 路由 全面优化

7. 配置最佳实践

7.1 聚合模式配置要点 

VllmWorker:
  # 启用前缀缓存
  enable-prefix-caching: true
  # 单 GPU 配置
  tensor-parallel-size: 1

7.2 路由模式配置要点 

Processor:
  # 使用 KV-aware 路由
  router: kv
  # 路由评分参数
  kv-hit-weight: 1.0
  load-weight: 0.5

7.3 分离模式配置要点 

VllmWorker:
  # 启用远程 Prefill
  enable-disaggregated-prefill: true

PrefillWorker:
  # Prefill Worker 数量
  ServiceArgs:
    workers: 2
    resources:
      gpu: 1

8. 与现有框架对比

特性 Dynamo vLLM TRT-LLM SGLang
分离式服务 原生支持 实验性 不支持 不支持
KV 感知路由 RadixTree 不支持 不支持 RadixAttention
多层 KV 存储 HBM/CPU/SSD 仅 GPU 仅 GPU 仅 GPU
分布式原生 etcd+NATS Ray 依赖 Triton 部分
多引擎支持 vLLM/TRT/SGL - - -

总结

Dynamo 的四种部署模式为不同场景提供了灵活的选择：

  1. 聚合模式：简单易用，适合开发测试
  2. 聚合 + 路由：优化 TTFT，适合多轮对话
  3. 分离模式：提升吞吐，适合高并发场景
  4. 分离 + 路由：全面优化，适合生产环境

选择合适的部署模式，可以在复杂度和性能之间取得最佳平衡。

下一章

完成本章阅读后，建议继续阅读 第二章：运行时层原理，深入了解 Dynamo 的核心运行时设计。

2026年2月24日
GitHub
系统架构总览