智猩猩AI整理
编辑：没方
上下文工程被大神卡帕西带火后，最近Huggingface论文日榜又出现了一个新范式Cache Engineering（缓存工程）。
这个范式背后其实是因为Agent干活是多轮的，每聊一轮，历史交互的KV缓存就涨一截。缓存越大，存储、访存、推理的成本都跟着涨。
直觉上的解法是把历史裁一裁，或者做个摘要。一般的上下文工程基本都在这么干。
但这有个坑，只要一动历史前缀，后面所有算好的KV缓存就全废了，只能重新预填充一遍。压缩省下来的钱，可能又从Re-prefill里赔出去了。
而且如果压得太狠，任务成功率也会掉。效率和效果，就这么拧在了一起。
清华联合港中文的研究者这次提出的缓存工程，就是冲着这个矛盾去的。他们还开源了配套的推理服务系统AKV。
研究团队的核心思路是让Agent直接管理自己的KV缓存，把不需要的历史直接丢掉，要保留的键值重新挪个位置，全程不改写历史文本，也就不会触发重新预填充。
表1和表2展示了评测结果，相比常见的阈值触发式上下文压缩，AKV平均省了27.7%的推理成本，任务得分还涨了1.7个百分点。输出吞吐量最高提升1.18倍，P95延迟最快提速1.51倍。
表1：不同模型及管理方法在基准测试中的得分（任务成功率，%）与成本（美分）。 粗体表示每个模型中最高的得分和最低的成本，包括并列情况。
表2：GPT-OSS-120B在Top-80 SWE-Verified任务中，不同并发水平（C）下的推理服务性能。 评估指标包括请求延迟（秒）、首Token延迟（TTFT，秒）、每输出Token耗时（TPOT，毫秒/Token）以及吞吐量（Token/秒）。
除了人工设计的策略之外，能不能让模型自己优化缓存策略？
研究团队试了递归自我改进（RSI）这条路，用MiniMax-M2.7在20个BCP任务上迭代打磨策略，再放到100个从未参与优化的任务上试验。
如下图所示，迭代到第3轮和第6轮时，策略已经能把单任务成本分别压低15.6%和17.8%，而准确率和Standard基线基本持平。
表明RSI能够找出比人工设计更省钱的缓存管理策略。
图注：缓存工程策略的RSI。使用MiniMax-M2.7大语言模型，在BCP基准测试上评估缓存工程策略的递归自我改进效果。
01
缓存工程的基本操作
研究团队首先区分逻辑轨迹与活动缓存。
逻辑轨迹包含智能体完整的提示词、推理消息及工具响应。活动缓存则仅包含后续注意力计算实际可访问的KV状态，"活动"指算法层面参与注意力，而非物理驻留。
两者解耦后，系统可以在保持文本历史不变的情况下调整缓存规模。为此，研究团队定义了三种基本操作：
（1）Append（追加），将新输入或生成Token的KV状态添加到活动缓存，维持自回归推理过程。新Token可来自提示词、工具响应或模型生成。
（2）Drop（丢弃）， 根据指定Token索引移除部分KV状态，使其不再参与后续注意力计算，同时保持其余缓存及其位置编码不变，也不改变后续追加所使用的位置索引。因此，被保留的KV无需重新计算。
（3）Repos（位置重映射），对保留缓存的位置编码重新编号，使其从 0 连续排列，从而将位置编码与逻辑索引、缓存规模解耦，避免位置索引随逻辑轨迹无限增长而触及模型支持上限。对于RoPE位置编码，通过旋转变换 K′ = R(q)R(p)⁻¹K更新Key，而Value保持不变。
三种操作构成可编程缓存操作序列，使智能体能够根据消息角色、时效性及任务需求动态调整缓存。
这些操作只影响发起请求自身的注意力，不会改变共享同一前缀的其他请求的输出分布。
图注：缓存操作轨迹与具有历史依赖性的KV状态。
02
AKV推理服务系统
AKV采用“无状态接口、有状态服务”的架构，包含三个关键机制。
扩展Radix Tree实现准确缓存复用。
系统在传统基数树中引入Drop节点和Repos节点，记录缓存操作发生的位置及其影响。缓存匹配不仅考虑Token序列，还考虑操作历史，从而区分不同历史条件下生成的KV状态，避免错误复用。
图注：KV缓存池与Radix Tree中的位置重映射（repos）操作。
感知缓存操作的回收机制。
当某个 KV 条目不再被任何进行中的计算或恢复过程需要时，即可释放其物理存储。
在满足回收条件的缓存中，系统优先回收已被Drop的缓存（已完成请求的缓存更可能在下一轮被复用），同时保留树中的逻辑节点，以保证后续缓存匹配与状态恢复的正确性。
对于 Repos 产生的不同位置编码版本，系统分别管理其生命周期，确保并发请求互不干扰。
Segment-Batch Attention实现高效恢复。
当缓存因显存不足被驱逐时，AKV不逐步重放历史操作，而是在Drop和Repos边界划分注意力计算片段。
每个片段按照其原始执行时的可见缓存与位置编码进行注意力计算。已被Drop的缓存仍可供原本依赖它的较早片段使用；对于Repos操作，系统通过Key旋转和Value复制构造临时KV版本，以还原相应阶段的位置编码。
前馈网络（FFN）则对完整序列批量处理，从而在一次Prefill中恢复所需状态，减少重复计算及模型权重读取开销。
03
工具响应滚动丢弃策略
在具体策略上，研究团队根据注意力分析发现，较早的Token通常获得更低的注意力权重，而且在相近的历史位置下，工具响应获得的注意力权重通常低于智能体回复。
图注：历史上下文的注意力分布。在10个BCP请求上，统计并平均智能体回复（Assistant Response）和工具响应（Tool Response）中每个Token获得的注意力权重。
因此，作者采用Tool-Response Rolling Drop策略。
在该策略下，系统保留所有智能体推理消息对应的KV缓存，同时仅保留最近12条工具响应的KV状态，并逐步丢弃更早的工具响应缓存。
图注：GPT-OSS-120B在100个BCP任务上的准确率与成本。图中标签表示上下文总结的触发阈值（Token数量），或AKV保留的工具响应数量。
当位置索引达到与各模型摘要阈值对齐的预设阈值时，通过Repos重新编码，从而兼顾长期任务的信息保留、缓存规模控制和推理效率。
04
AKV系统安装教程
（1）如果没有安装Rust和Cargo，输入以下命令安装。
curl -o install-rust.sh https://sh.rustup.rssh install-rust.sh -ysource "$HOME/.cargo/env"
（2）创建AKV环境并同时安装智能体和系统。
git clone https://github.com/thu-nics/AKV.gitcd AKVuv venv --python 3.12source .venv/bin/activateuv pip install -e .
（3）启动AKV系统。
python -m akv.system.launch_server \ --model-path /path/to/gpt-oss-120b \ --reasoning-parser gpt-oss \ --tool-call-parser gpt-oss \ --tp-size 2 \ --port 8000
