如果你回答“因为 Q 比较大吧”或者“KV 是键值对，Q 不重要吧”，恭喜你，出门右拐回家等通知吧。
为什么？
因为大模型是自回归逐字生成的。每次生成新词，新产生的提问是 Q，所有已经处理过的词是 K 和 V。当前这轮算完，Q 就彻底作废了，但之前的 K 和 V，后面每一个新词生成时都还得翻一遍。
在这梳理了一份 AI Agent 开发学习路线和 288 道配套八股，需要的可以来个222。
我翻了 Transformer 的底层实现、vLLM 的推理优化源码，可以自信地、大方地、光明磊落地帮你搞清楚这三件事：
- 什么是 KV Cache？为什么没有它大模型推理会卡死？
- 为什么只存 K 和 V，偏偏不存 Q？
- 既然它这么好，各大模型为什么还要拼了命压缩它？
哈喽大家好，我是二哥呀。今天用 3 分钟，给你彻底讲透大模型推理的核心秘密——KV Cache。
先说第一件事，什么是 KV Cache。
大模型生成文本的过程叫“自回归”，说白了就是打字机模式，一个字一个字往外蹦。关键在于，每吐出一个新字，模型都必须回头看一遍前面所有已经生成的字，才能决定下一个字是什么。
如果没有缓存，生成第 1 个字算 1 遍，生成第 2 个字要把前 2 个字重新算一遍，生成第 1000 个字就得把前 1000 个字从头到尾再算一遍。越往后越卡，算力全浪费在重复的历史计算上了。
KV Cache 的核心逻辑就是“算过的不重算，用空间换时间”。在第一次读完或者生成词元（Token）的时候，把前面所有词的中间计算结果存进 GPU 显存。之后每生成一个新词，直接从显存里读取旧结果，每次只算这一个新词。
那聪明的你肯定想到了：既然要缓存，为什么叫 KV Cache？为什么不把 Q 也一起存了？
大模型注意力机制里，每个词元都会通过矩阵乘法算出三个向量：Q 代表 Query 提问，K 代表 Key 索引，V 代表 Value 真实内容。
打个比方。你去图书馆借书，你的借书小纸条就是 Q，书架上贴的分类索引标签就是 K，书架上的具体书本内容就是 V。
当新生成一个字时，相当于拿着最新这张借书小纸条 Q，去跟书架上所有已经摆好的索引 K 对暗号，算出来的相关度就是注意力权重，算完之后直接去拿书本内容 V。
这一轮算完，借书小纸条 Q 的使命就彻底结束了，下一轮生成新字会有全新的一张小纸条，旧纸条留着毫无用处。但书架上的索引 K 和书本内容 V，不管后面生成第 10 个字还是第 100 个字，都得继续翻看。
所以，Q 是一次性筷子，用完就扔；K 和 V 才是长久保存在显存里的真金白银。
那聪明的你肯定又要问了：KV Cache 这么管用，各大厂商为什么还在拼命想办法压缩它？
因为它是一个可怕的“显存吞金兽”。
模型的权重参数大小是固定的，但 KV Cache 会随着上下文长度和并发用户数像滚雪球一样疯长。
在长文本或者几十个人同时并发调用的场景下，KV Cache 吃掉的显存甚至会远远超过模型本身的权重。一张 80G 显存的高端 GPU，可能跑几个长文本并发就直接爆显存报错 OOM 了。这就撞上了业内常说的“显存墙”。
所以各家模型和推理框架都在疯狂做优化：vLLM 搞出 PagedAttention，像操作系统虚拟内存一样给显存分页；开源模型从 MHA 走向 GQA；DeepSeek 更是接连搞出 MLA 以及最新的 CSA 和 HCA，核心目标只有一个——把 KV Cache 压到极致，让单张显卡能扛住更多并发。
最后简单总结下。
KV Cache 是大模型用空间换时间的核心机制。Q 是一次性提问用完即扔，K 和 V 是历史索引与内容必须常驻显存。
另外给大家一条实用建议：调用大模型 API 时保持 Prompt 前缀稳定，能充分利用服务端的 Prefix Caching 命中 KV Cache，既能大幅降低延迟，还能省下大笔调用费用。
这个知识点你学废了吗？想解锁更多 AI 硬核知识，点赞关注，我是二哥，咱们下期见！
这个公众号历史发布过很多有趣的 Agent 知识点，如果你懒得翻文章一个个找，你直接关注微信公众号：二哥狗腿子 ，后台对话聊天就行了：
