分布式KV缓存调度与离loading库
经 AI Skill Hub 精选评估，分布式KV缓存调度与离loading库 获评「推荐使用」。这款AI工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
分布式KV缓存调度与离loading库 依赖 Go 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Go 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 分布式KV缓存调度与离loading库 的版本更新，及时通知重要功能变化。
分布式KV缓存调度与离loading库 是一款基于 Go 开发的开源工具，专注于 installable、ai、go 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
分布式KV缓存调度与离loading库 是一款基于 Go 开发的开源工具，专注于 installable、ai、go 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 方式一：go install（推荐） go install github.com/llm-d/llm-d-kv-cache@latest # 方式二：从源码编译 git clone https://github.com/llm-d/llm-d-kv-cache cd llm-d-kv-cache go build -o llm-d-kv-cache . # 方式三：下载预编译二进制 # 访问 Releases 页面下载对应平台二进制文件 # https://github.com/llm-d/llm-d-kv-cache/releases
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 llm-d-kv-cache --help # 基本运行 llm-d-kv-cache [options] <input> # 详细使用说明请查阅文档 # https://github.com/llm-d/llm-d-kv-cache
# llm-d-kv-cache 配置说明 # 查看配置选项 llm-d-kv-cache --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export LLM_D_KV_CACHE_CONFIG="/path/to/config.yml"
简介
Introduction
Efficiently caching Key & Value (KV) tensors is crucial for optimizing LLM inference. Reusing the KV-Cache, rather than recomputing it, significantly improves both Time To First Token (TTFT) and overall throughput, while also maximizing system resource-utilization. As a distributed LLM inference platform, llm-d provides a comprehensive suite of KV-Cache management capabilities to achieve these goals.
This repository contains the llm-d-kv-cache, a pluggable service designed to enable KV-Cache Aware Routing and lay the foundation for advanced, cross-node cache coordination in vLLM-based serving platforms.
KV-Cache Indexer Overview
The major component of this project is the KV-Cache Indexer is a high-performance library that keeps a global, near-real-time view of KV-Cache block locality across a fleet of vLLM pods.
It is powered by KVEvents streamed from vLLM, which provide structured metadata as KV-blocks are created or evicted from a vLLM instance's KV-cache. This allows the indexer to track which blocks reside on which nodes and on which tier (e.g., GPU or CPU). This metadata is the foundation for intelligent routing, enabling schedulers to make optimal, KV-cache-aware placement decisions.
The diagram below shows the primary data flows: the Read Path (scoring) and the Write Path (event ingestion).
Read Path: - 1: Scoring Request: A scheduler asks the KVCache Indexer to score a set of pods for a given prompt - 2: Index Query: The indexer calculates the necessary KV-block keys from the prompt and queries the KV-Block Index to see which pods have those blocks - 3: Return Scores: The indexer returns a map of pods and their corresponding KV-cache-hit scores to the scheduler
Write Path: - A: Event Ingestion: As vLLM pods create or evict KV-blocks, they emit KVEvents containing metadata about these changes - B: Index Update: The Event Subscriber consumes these events and updates the KV-Block Index in near-real-time
For a more detailed breakdown, please see the high-level Architecture and the Configuration docs.
-----
Examples
KVCache Indexer: A reference implementation showing how to run and use the kvcache.Indexer module KVCache Aware Scorer: A reference implementation of how to integrate the kvcache.Indexer into a scheduler like the llm-d-router * KV-Events: Demonstrates how the KV-Cache libraries handles KV-Events through both an offline example with a dummy ZMQ publisher and an online example using a vLLM Helm chart.
该项目提供了分布式KV缓存调度与离loading库，提高AI模型的性能和可靠性，但代码质量和文档需要进一步改进。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
- +Apache-2.0 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
AI Skill Hub 点评：分布式KV缓存调度与离loading库 的核心功能完整，质量良好。对于AI 技术爱好者来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | llm-d-kv-cache |
| 原始描述 | 开源AI工具：Distributed KV cache scheduling & offloading libraries。⭐149 · Go |
| Topics | installableaigo |
| GitHub | https://github.com/llm-d/llm-d-kv-cache |
| License | Apache-2.0 |
| 语言 | Go |
收录时间：2026-05-25 · 更新时间：2026-05-25 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。