ljsysfurry/AgentFrame

🚀 KV Cache Compression — 实现代码库

大模型 KV 缓存压缩完整实现 | 基于 DeepSeek-V2-Lite MLA 实测

🎯 核心成果 (L40S 实测)

方案	KV/token	压缩率	误差
标准 MHA	270 KB	1x	—
吸收式 MLA	30.4 KB	8.9x	0
+ per-channel INT8	15.2 KB	17.8x	0.011
+ 非对称 INT4	7.6 KB	35.6x	0.079

单卡 L40S → 138 万 token 上下文，真实推理质量无损

📦 模块

文件	功能
kv_cache_core.py	核心算法: 吸收式MLA + per-channel量化 + 分层量化 + 容量估算
agentframe_core.py	前缀感知缓存池 (PrefixPool + 多会话共享)
agentframe_orchestrator.py	Agent 编排层 (脑/手/记忆/循环)
agentframe_hands.py	OpenClaw 工具集 (exec/browser/文件)
agentframe_quad.py	四层融合实现: 认知(MetaCog) × 路由(LandmarkRouter) × 存储(AbsorbedMLA) × 物理(KVPager)
agentframe_four_layer_blueprint.md	四层融合设计蓝图 (10.4KB)

🔑 核心算法

1. 吸收式 MLA 缓存

标准 transformers 缓存展开后的 K/V (270KB, 浪费 MLA 架构优势)。 本实现直接缓存 576 维潜在向量 (kv_lora_rank 512 + k_pe 64)。

# 缓存潜在向量, 计算时 kv_b_proj 展开
compressed_kv = kv_a_proj_with_mqa(hidden)  # [seq, 512+64]
latent, k_pe = torch.split(compressed_kv, [512, 64], dim=-1)
# → 只缓存 latent + k_pe = 30.4KB/token

2. per-channel 量化

潜在向量 outlier 按 channel 局部存在, per-tensor 被拖累 (误差 0.298), per-channel 各自归一化后误差降 27 倍 (0.011)。

# 512维分32块, 每块独立 scale
tc = tensor.view(-1, 32, 16)
scale = tc.abs().amax(dim=-1, keepdim=True) / 127
q = (tc/scale).round().clamp(-127, 127)

3. 分层量化 (Agent 专用)

按信息价值分配精度: 思考链 INT8 / 工具结果 INT4。

4. 前缀感知缓存池

多个 Agent 共享 System Prompt 的 KV 缓存 (只存 1 份)。

📊 验证数据

吸收式缓存 INT8 误差: 0.0050
思考链 INT8 误差:    0.0037
工具结果 INT4 误差:  0.0640
L40S 10GB → 138 万 token

🚀 快速开始

# 核心算法 (无需 GPU)
python3 kv_cache_core.py

# Agent 框架
python3 agentframe_orchestrator.py

📄 许可证

GPL-3.0 License

---

Cloud LTE Studio · 2026-08-09