1. 项目背景
业务场景
某公司的AI面试助手（第10章开发）稳定运行了两个月，平均每场面试20轮对话。但最近用户投诉——面试到第15轮后，AI的回复速度明显变慢，从2秒涨到8秒。更诡异的是，面试开始的前几轮明明很快，越到后面越慢。
技术团队排查发现：每轮对话后，模型的上下文窗口内累积的消息越来越多——第1轮只有200 tokens的上下文，第15轮累积到了5000 tokens。即使模型只需输出20个token的回复，它也必须"回顾"前面5000个token的完整历史，这大大增加了计算量。
更深层的原因在于KV Cache（Key-Value缓存）——Transformer推理时，每个已生成的token的Key和Value矩阵会被缓存起来，避免重复计算。但随着上下文增长，KV Cache占用的显存和计算时间都线性甚至二次增长。
痛点
- 长对话越来越慢：上下文每翻倍，推理延迟可能增加30-50%。
- 显存悄悄被吃光：KV Cache随着对话轮数增长，最终导致OOM。
- 多轮对话的KV Cache不能共享：同一个模型的不同用户会话，各自的KV Cache独立占显存。
- 缓存污染：对话中早期无关的闲聊内容占着KV Cache空间，挤掉了有用信息的位置。
一句话总结：KV Cache是长对话性能的"