调查研究-202 SGLang 深度解析：为什么大模型推理框架不只是“把模型跑起来“

TL;DR

• 场景：RAG、多轮对话、Agent 工具调用、JSON 强约束、长 system prompt、高并发生产环境
• 结论：SGLang 的价值不在于"比 vLLM 更快"，而在于把 LLM 应用视为结构化程序，让 runtime 理解请求之间的结构关系
• 产出：6 类最值得测试 SGLang 的场景 + 12 项真实压测指标 + 与 vLLM / TensorRT-LLM 的选型对比

版本矩阵

TL;DR

SGLang 不是一个简单的"模型启动器"。

它更像一个面向复杂 LLM 应用的推理执行系统：既提供服务端 runtime，也提供用于表达结构化 LLM 程序的 frontend language。

如果你的场景只是启动一个聊天模型、提供 OpenAI-compatible API、支持流式输出，很多框架都能做。但当业务进入 RAG、多轮对话、Agent、工具调用、JSON schema、长上下文、并发服务之后，问题就不只是"模型能不能跑起来"。

真正的瓶颈会变成：

重复 prefill 有没有被浪费？ KV Cache 能不能跨请求复用？ 长 system prompt 是否每轮都重新算？ 结构化输出是否稳定且足够快？ Agent 的分支和并行能否被 runtime 理解？ 高并发下 TTFT、吞吐和 GPU 利用率能否同时稳定？

SGLang 的价值就在这里：它把 LLM 应用看成一种有结构的程序，而不是一串孤立 prompt。

1. 为什么现在需要重新理解推理框架？

早期部署大模型，很多团队的目标很直接：

把模型加载到 GPU 提供 HTTP 接口 兼容 OpenAI API 支持流式输出 尽量提高吞吐 尽量降低延迟

这当然重要。

但 LLM 应用已经从"单轮聊天"进入更复杂的形态。

一个 RAG 应用可能会先改写问题，再召回文档，再对文档分块摘要，再做交叉验证，最后生成回答。

一个 Agent 应用可能会先判断任务类型，再选择工具，调用工具，读取结果，决定是否继续调用，最后总结。

一个企业助手可能每轮都携带很长的 system prompt、权限规则、输出规范、历史对话和用户上下文。

一个结构化输出系统则可能要求模型必须生成合法 JSON、函数参数、枚举字段或控制指令。

这些场景下，最贵的不一定是 decode。

很多时候，最浪费的是 repeated prefill：大量相同或相似的上下文被一遍遍送进模型重新计算。

SGLang 的切入点就是：复杂 LLM 工作流里存在大量可复用结构。

这些结构包括：

共同 system prompt 共享 few-shot 示例 固定 RAG 模板 多轮对话历史 工具调用格式 JSON schema Agent 分支控制流 并行子任务

如果 runtime 能看见这些结构，就有机会缓存、复用、调度和约束。

2. SGLang 的两层：Frontend + Runtime

理解 SGLang，先不要把它只看成一个推理 server。

它有两层。

第一层是 frontend language。

它是一个 Python 内嵌式 DSL，用来表达更复杂的 LLM 程序。开发者可以描述生成、选择、分支、并行、多轮状态、结构化输出等逻辑。

第二层是 backend runtime。

它负责真正的高性能推理：KV Cache 管理、请求调度、批处理、前缀复用、结构化 decoding、量化、并行和分布式服务。

这就是 SGLang 和很多通用 serving 框架的关键差异。

普通推理服务更关心：

这个 prompt 怎么推理？ 这个 batch 怎么拼？ 这个模型怎么加载？ 这个接口怎么兼容？

SGLang 进一步关心：

多个 prompt 是否共享前缀？ 多轮调用能不能复用上下文？ JSON / function call 的约束能否高效执行？ Agent 程序里的分支能否被调度？ 重复 prefill 能否避免？

它不是只把请求丢给模型，而是试图理解请求之间的结构关系。

3. RadixAttention：把重复前缀变成可复用 KV Cache

SGLang 最有代表性的设计是 RadixAttention。

要理解它，先理解 KV Cache。

Transformer 生成文本时，每个 token 都会产生 Key / Value 状态。后续生成新 token 时，不需要重新计算前面所有 token，而是复用已有 KV Cache。

单个请求内部复用 KV Cache，是常规操作。

真正的问题是：多个请求之间，能不能复用？

比如企业客服场景里，大量请求可能共享同一个 system prompt：

你是一个专业客服助手。 必须遵守以下规则…… 回答格式如下…… 工具说明如下……

如果每个请求都重新 prefill 这一大段固定内容，GPU 会反复做重复计算。

再比如 RAG：

固定模板相同 引用格式相同 few-shot 示例相同 只在最后替换用户问题和召回文档

这类请求之间也存在大量公共前缀。

RadixAttention 的思路是把请求前缀组织成 radix tree，也就是压缩前缀树。相同前缀对应的 KV Cache 可以保留下来，并被后续请求复用。

直观理解：

普通做法：每个请求都从头读一遍教材 RadixAttention：已经读过的章节做成缓存 下次遇到相同章节，直接复用状态 只处理新增部分

这对固定 system prompt、few-shot、长上下文、多轮对话、RAG 模板和 Agent 共享上下文都很有价值。

注意，它不是简单的字符串缓存。

它缓存的是模型执行后的 KV 状态，节省的是 GPU prefill 计算。

4. 为什么 JSON 生成也是推理系统问题？

很多业务接入 LLM 后，第一反应是让模型输出 JSON：

{"intent":"order_query","order_id":"12345","need_human":false}

但生产环境里，只靠 prompt 说"请输出 JSON"通常不够。

模型可能多输出解释文本，可能漏字段，可能字段类型错误，可能枚举值不合法，也可能生成一个看起来像 JSON、实际上解析失败的字符串。

工程上更可靠的方式是 constrained decoding。

它在每一步 token 生成时，根据 schema、grammar 或状态机限制模型只能选择合法 token。

这能显著提高格式可靠性，但也会带来额外开销。

因为每生成一步，都要判断哪些 token 合法、哪些 token 不合法。

SGLang 从设计上把结构化输出视为 runtime 的一等能力，而不是 prompt 后处理插件。论文和官方资料中都强调了有限状态机、压缩状态机，以及后续与 XGrammar 等结构化输出能力相关的优化方向。

对 Agent 来说，这尤其关键。

Agent 不只是聊天，它经常要输出：

工具名称 工具参数 函数调用 数据库查询条件 机器人控制指令 多步骤计划 严格 JSON schema

如果结构化输出不稳定，后端系统就会塞满修补逻辑。

如果结构化输出太慢，实时交互体验又会下降。

所以 JSON 不是"小格式问题"，而是推理 runtime 的稳定性和性能问题。

5. SGLang 和 vLLM：不是谁取代谁

很多人第一次听到 SGLang，会直接问：它和 vLLM 有什么区别？

可以粗略理解：

vLLM 更像通用高性能 LLM serving 基座。

SGLang 更像面向结构化 LLM 程序的推理执行引擎。

vLLM 的优势是成熟、通用、生态广、部署体验好，OpenAI API 兼容也很完善。对很多普通聊天、文本生成、统一模型服务场景来说，vLLM 仍然是非常稳妥的默认选择。

SGLang 的优势更容易出现在复杂 workflow：

长 system prompt 共享前缀 多轮上下文 RAG 模板 Agent 多步调用 工具调用 JSON 结构化输出 多分支并行

如果你的服务主要瓶颈是普通 decode 吞吐，迁移前要用真实 workload 压测，不能只看公开 benchmark。

如果你的瓶颈是重复 prefill、长上下文复用、结构化 decoding、Agent 多步调用，SGLang 的设计更贴近问题本身。

一句话：

不要问"SGLang 和 vLLM 谁更强"。

应该问"我的 workload 到底复杂在哪里"。

6. SGLang 和 TensorRT-LLM：层次不一样

TensorRT-LLM 更偏 NVIDIA 体系下的底层高性能优化框架。

它强调算子优化、图优化、量化、编译、硬件深度适配，适合追求极限性能并且有较强底层部署能力的团队。

SGLang 更偏生产推理服务框架和 runtime 系统。

它关注 OpenAI API 兼容、服务编排、前缀缓存、结构化输出、批处理、并行、量化和复杂 workflow。

可以粗略理解：

当然，现代推理框架的边界正在收敛。

continuous batching、paged attention、chunked prefill、speculative decoding、prefill-decode disaggregation、量化、并行推理，这些能力正在被不同框架不断吸收。

所以选型不能只看功能表。

要看你的模型、GPU、prompt 长度、并发、输出约束、部署团队和真实请求分布。

7. 什么场景最适合测试 SGLang？

我会优先在六类场景里测试 SGLang。

第一，RAG 问答系统。

RAG 通常有固定模板、固定引用格式、重复 prompt 结构。只要请求之间有共享前缀，RadixAttention 就可能带来 prefill 收益。

第二，多轮对话系统。

客服、企业助手、语音机器人都会带历史对话。上下文越长，重复计算越值得优化。

第三，Agent 工具调用。

Agent 需要多步决策、工具选择、参数生成、结果读取和继续推理。SGLang 的结构化程序表达和结构化输出更贴近这类任务。

第四，JSON / schema 强约束输出。

如果业务依赖稳定 JSON、函数参数、枚举字段和控制指令，SGLang 值得测。

第五，长 system prompt。

企业知识库助手、合规助手、代码审查助手、数据分析助手，常常带很长的角色说明、规则说明和输出规范。这些固定内容是前缀缓存的天然候选。

第六，高并发生产推理。

SGLang 支持连续批处理、分页注意力、并行策略、量化和分布式服务，已经不是只用于论文实验的工具。

但这并不意味着所有项目都应该迁移。

如果只是低频内部工具，部署复杂度比性能更重要，简单方案可能更合适。

如果只是普通聊天，没有长 prompt，没有 RAG，没有 Agent，没有结构化输出，SGLang 的优势未必明显。

8. 怎么评估 SGLang 是否适合你？

不要只看公开 benchmark。

公开 benchmark 往往不能代表你的业务。模型、GPU、驱动、batch、prompt 长度、并发、采样参数、输出长度都会影响结果。

更可靠的做法是构造自己的测试集。

至少关注这些指标：

TTFT 总响应时间 tokens/s 吞吐量 p50 / p95 / p99 GPU 显存占用 GPU 利用率 长 prompt prefill 延迟 多轮历史复用收益 JSON 输出合法率 结构化输出延迟 失败率 流式输出稳定性

测试集最好分三类：

普通聊天：验证基础 serving 长 system prompt + 多轮上下文：验证前缀复用 RAG / Agent / JSON schema：验证结构化 workflow

如果 SGLang 在普通聊天测试里没有明显优势，不代表它不行。

它的优势往往出现在复杂结构场景。

反过来，如果你的真实业务没有复杂结构，也没必要为了框架热度迁移。

9. 对 AI 语音机器人有什么意义？

对实时语音机器人来说，SGLang 尤其值得关注。

典型链路是：

VAD -> ASR -> LLM / Agent -> TTS -> 播放

LLM 不是孤立模块。

它还要处理角色设定、多轮历史、工具调用、设备控制、知识库查询、意图识别、结构化动作输出、打断后的状态恢复。

这类场景往往有大量固定内容：

机器人 persona 安全规则 输出规范 工具说明 动作 schema 对话历史模板

这些都是前缀缓存的候选。

而机器人控制指令又需要稳定结构化输出：

{"action":"move_forward","speed":0.3,"duration":2}

这里不能只靠自然语言提示。

否则后端控制链路会很脆。

如果要在语音机器人里测试 SGLang，我会重点看：

固定 persona 是否降低 TTFT 工具调用 JSON 是否更稳定 多轮上下文是否减少重复 prefill 高并发语音请求下吞吐是否更稳 本地模型服务是否能替代部分云端调用

对实时语音链路来说，首 token 延迟通常比总吞吐更敏感。

所以必须用真实语音业务请求测试，而不是只看普通文本 benchmark。

10. 一句话结论

SGLang 的意义不是一句"比 vLLM 更快"。

更准确地说，它抓住了 LLM 应用工程化后的核心变化：

大模型推理不再只是单次 prompt 的推理。 它越来越像结构化语言模型程序的执行。

谁能理解结构，谁就能更好地缓存、调度、约束和加速。

这就是 SGLang 值得认真研究的原因。

错误速查卡

作者：武子康的个人博客