zijie-tian/nano-vllm
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

[WIP] Before plan execute.

Browse Source
This commit is contained in:
Zijie Tian
2026-01-19 03:30:44 +08:00
parent e6e0dc5d7d
commit 9e6fdc0650
5 changed files with 377 additions and 10 deletions
Download Patch File Download Diff File Expand all files Collapse all files

4
nanovllm/config.py
View File

@@ -7,8 +7,8 @@ import torch
class SparsePolicyType(Enum):
"""Sparse attention policy types."""
FULL = auto() # No sparse attention (load all blocks)
QUEST = auto() # Query-aware Top-K block selection (decode only)
FULL = auto() # No sparse attention (load all blocks)
QUEST = auto() # Query-aware Top-K block selection (decode only)
@dataclass

15
nanovllm/kvcache/__init__.py
View File

@@ -64,11 +64,16 @@ def create_kvcache_manager(config: "Config") -> KVCacheManager:
# Create sparse policy from config enum
# Quest is decode-only: prefill returns all blocks (query=None), decode does Top-K
sparse_policy_type = getattr(config, 'sparse_policy', SparsePolicyType.FULL)
sparse_policy = create_sparse_policy(
sparse_policy_type,
topk_blocks=getattr(config, 'sparse_topk_blocks', 8),
threshold_blocks=getattr(config, 'sparse_threshold_blocks', 4),
)
# Build policy kwargs based on policy type
policy_kwargs = {}
if sparse_policy_type == SparsePolicyType.QUEST:
policy_kwargs = {
'topk_blocks': getattr(config, 'sparse_topk_blocks', 8),
'threshold_blocks': getattr(config, 'sparse_threshold_blocks', 4),
}
sparse_policy = create_sparse_policy(sparse_policy_type, **policy_kwargs)
return HybridKVCacheManager(
num_gpu_slots=num_gpu_blocks,

4
nanovllm/kvcache/sparse/policy.py
View File

@@ -35,8 +35,8 @@ class PolicyContext:
query: Optional[torch.Tensor]
"""
Query tensor for current chunk.
Shape: [1, num_heads, head_dim] for decode, [1, seq_len, num_heads, head_dim] for prefill.
May be None if not available (e.g., some prefill scenarios).
Shape: [1, num_heads, head_dim] for decode, [seq_len, num_heads, head_dim] for prefill.
Available for both prefill and decode phases.
"""
is_prefill: bool

4
nanovllm/layers/attention.py
View File

@@ -207,8 +207,10 @@ class Attention(nn.Module):
# Get prefilled CPU blocks (blocks from previous chunks)
cpu_block_table = kvcache_manager.get_prefilled_cpu_blocks(seq)
# Apply sparse policy if enabled (Quest returns all blocks for prefill since query=None)
# Apply sparse policy if enabled
sparse_policy = kvcache_manager.sparse_policy
# === Standard sparse policy (Quest, etc.) ===
if cpu_block_table and sparse_policy is not None:
num_chunks = getattr(context, 'num_chunks', current_chunk_idx + 1)
policy_ctx = PolicyContext(

360
task_plan_xattention_chunked.md Normal file
View File

@@ -0,0 +1,360 @@
# Task Plan: XAttention BSA 模块化集成
## Goal
将 XAttention BSA 策略按照统一接口集成到 nano-vllm 的 sparse policy 框架中，实现模块化设计。
---
## 强制要求：使用 Hive-Mind 集群思考
**必须使用 Claude Flow MCP 的 hive-mind 集群进行深度推理，提高实现精度。**
### 启动 Hive-Mind 的方式
在每个复杂阶段开始前，必须执行以下步骤：
1. **初始化 Hive-Mind 集群**：
```python
# 通过 MCP 调用
mcp__claude-flow_alpha__hive-mind_init(
topology="mesh", # 或 "hierarchical", "ring", "star"
maxAgents=5, # 集群大小
)
```
2. **生成专业代理（Spawning Specialists）**：
```python
# 为不同任务类型创建代理
mcp__claude-flow_alpha__hive-mind_spawn(
count=3,
type="specialist", # researcher, coder, analyst
)
```
3. **广播思考任务**：
```python
mcp__claude-flow_alpha__hive-mind_broadcast(
message="分析当前架构设计的潜在问题...",
priority="high"
)
```
4. **获取集群状态和共识**：
```python
mcp__claude-flow_alpha__hive-mind_status(verbose=True)
mcp__claude-flow_alpha__hive-mind_consensus(
action="propose",
type="design",
value="模块化接口设计方案"
)
```
### 适用阶段
以下阶段**必须**使用 Hive-Mind 集群思考：
- ✅ Phase 1: SparsePolicy 基类接口确认
- ✅ Phase 2: XAttentionBSAPolicy 接口对齐
- ✅ Phase 3: OffloadEngine 辅助方法模块化
- ✅ Phase 5: attention.py 集成点验证
其他阶段（Phase 4, 6, 7）可以使用标准思考模式。
### 集群配置建议
```yaml
# 推荐配置
topology: mesh # 网状拓扑，适合并行推理
maxAgents: 5 # 5个专业代理
agentTypes:
- researcher # 架构分析
- coder # 代码实现
- analyst # 接口验证
- optimizer # 性能优化
- validator # 正确性验证
```
### 输出要求
使用 Hive-Mind 后，必须在计划中记录：
1. 集群产生的关键洞察
2. 多代理共识达成的决策
3. 发现的潜在问题和解决方案
---
## 当前架构分析
### SparsePolicy 基类接口
从 `nanovllm/kvcache/sparse/policy.py` 需要确认基类定义：
```python
class SparsePolicy:
# 能力标记
supports_prefill: bool
supports_decode: bool
requires_block_selection: bool
# 核心方法
def select_blocks(self, available_blocks: List[int], ctx: PolicyContext) -> List[int]
# 可选方法（prefill 专用）
def sparse_prefill_attention(self, q, k, v, layer_id) -> torch.Tensor
# 初始化
def initialize(self, num_layers, num_kv_heads, head_dim, num_cpu_blocks, dtype, device)
def reset(self)
```
### 当前 XAttentionBSAPolicy 实现
已实现但需要确认模块化集成的部分：
- `xattn_bsa.py` - 策略类实现
- `config.py` - 枚举和参数
- `sparse/__init__.py` - 策略工厂
- `offload_engine.py` - 辅助方法
- `attention.py` - 集成点
## 详细实现计划
### Phase 1: 确保 SparsePolicy 基类接口统一
**任务**: 验证 `SparsePolicy` 基类定义是否包含所有必需的方法
**步骤**:
1. 读取 `nanovllm/kvcache/sparse/policy.py`
2. 确认基类定义包含：
- `supports_prefill`, `supports_decode`, `requires_block_selection` 类属性
- `select_blocks()` 方法
- `sparse_prefill_attention()` 方法（可选）
- `initialize()`, `reset()` 方法
3. 如果缺失，补充到基类定义中
**预期结果**: 基类定义完整，所有策略类可以遵循统一接口
---
### Phase 2: XAttentionBSAPolicy 接口对齐
**任务**: 确保 XAttentionBSAPolicy 完全符合 SparsePolicy 接口
**步骤**:
1. 确认 `xattn_bsa.py` 中的类属性正确：
```python
class XAttentionBSAPolicy(SparsePolicy):
supports_prefill = True
supports_decode = False
requires_block_selection = False # 注意：BSA 内部处理选择
```
2. 确保方法签名与基类一致：
- `select_blocks(available_blocks, ctx) -> List[int]`
- `sparse_prefill_attention(q, k, v, layer_id) -> Tensor`
- `initialize(...)`
- `reset()`
3. 添加文档说明：BSA 在 prefill 阶段内部处理 block 选择，因此 `select_blocks` 返回所有可用块
**预期结果**: XAttentionBSAPolicy 完全符合 SparsePolicy 统一接口
---
### Phase 3: OffloadEngine 辅助方法模块化
**任务**: 确保 OffloadEngine 的辅助方法正确定义且模块化
**步骤**:
1. 确认 `offload_engine.py` 中的辅助方法位置：
```python
# 在 OffloadEngine 类中添加这两个方法
def load_block_sample_from_cpu(self, cpu_block_id, layer_id, num_samples):
"""加载采样 tokens 用于估算阶段"""
...
def load_block_full_from_cpu(self, cpu_block_id, layer_id):
"""加载完整 block 用于计算阶段"""
...
```
2. 确保方法签名与 `xattn_bsa.py` 中的调用一致
3. 添加适当的文档说明这两个方法的用途和使用场景
**预期结果**: OffloadEngine 提供统一的 block 加载接口
---
### Phase 4: 模块化集成到工厂模式
**任务**: 确保策略创建通过统一的工厂模式
**步骤**:
1. 检查 `nanovllm/kvcache/__init__.py` 中的 `create_kvcache_manager` 函数
2. 确认策略创建逻辑清晰：
```python
# 根据策略类型构建相应的 kwargs
if sparse_policy_type == SparsePolicyType.XATTN_BSA:
policy_kwargs = {
'block_size': getattr(config, 'sparse_block_size', 128),
'samples_per_chunk': getattr(config, 'sparse_samples_per_chunk', 128),
'threshold': getattr(config, 'sparse_threshold', 0.9),
'use_triton': getattr(config, 'sparse_use_triton', True),
'stride': getattr(config, sparse_stride', 8),
}
```
3. 确认所有策略类型都有相应的 kwargs 构建逻辑
**预期结果**: 通过 `create_sparse_policy()` 创建所有策略
---
### Phase 5: attention.py 集成点验证
**任务**: 确保 attention.py 中的集成点正确调用策略接口
**步骤**:
1. 检查 `nanovllm/layers/attention.py` 中的 `_chunked_prefill_attention` 方法
2. 确认集成逻辑：
```python
# 检测策略是否有 sparse_prefill_attention 方法
if sparse_policy is not None and hasattr(sparse_policy, 'sparse_prefill_attention'):
if sparse_policy.supports_prefill:
# 使用策略的 sparse_prefill_attention 方法
o = sparse_policy.sparse_prefill_attention(q, k, v, self.layer_id)
# 处理异步 offload
return o
# 否则使用标准流程（Quest, etc.）
# ...
```
3. 确保没有绕过策略接口直接调用其他逻辑
**预期结果**: attention.py 通过统一的策略接口调用 BSA
---
### Phase 6: 配置参数模块化
**任务**: 确保配置参数结构清晰，易于使用
**步骤**:
1. 检查 `nanovllm/config.py` 中的配置结构
2. 确认 XAttention BSA 参数组织清晰：
```python
# 通用 sparse 参数
sparse_policy: SparsePolicyType = SparsePolicyType.FULL
sparse_topk_blocks: int = 8 # Quest
sparse_threshold_blocks: int = 4 # Quest
# XATTN_BSA 专用参数
sparse_block_size: int = 128
sparse_samples_per_chunk: int = 128
sparse_threshold: float = 0.9
sparse_use_triton: bool = True
sparse_stride: int = 8
```
3. 考虑是否需要参数分组或嵌套配置
**预期结果**: 配置参数清晰，易于理解和使用
---
### Phase 7: 模块化验证测试
**任务**: 创建简单的验证脚本确保模块化集成正确
**步骤**:
1. 创建 `tests/test_xattn_bsa_integration.py` 测试脚本
2. 验证以下功能：
- XAttentionBSAPolicy 可以通过 `create_sparse_policy()` 创建
- 策略正确响应 `supports_prefill`, `supports_decode` 查询
- `select_blocks()` 方法返回正确结果
- OffloadEngine 辅助方法可以正常调用
- 在模拟环境中策略可以被正确调用
3. 测试用例：
```python
# Test 1: 策略创建
from nanovllm.config import Config, SparsePolicyType
from nanovllm.kvcache.sparse import create_sparse_policy
policy = create_sparse_policy(SparsePolicyType.XATTN_BSA)
assert hasattr(policy, 'sparse_prefill_attention')
assert policy.supports_prefill == True
assert policy.supports_decode == False
# Test 2: 接口一致性
# 验证方法签名
# ...
# Test 3: OffloadEngine 辅助方法
# ...
```
**预期结果**: 所有测试通过，模块化集成验证成功
---
## 关键设计原则
### 1. 接口统一性
- 所有策略通过 `SparsePolicy` 基类提供统一接口
- 工厂模式创建策略实例
- 策略切换透明，不影响其他模块
### 2. 模块化独立性
- 每个策略类独立实现
- OffloadEngine 提供通用辅助方法
- attention.py 通过策略接口调用，不依赖具体实现
### 3. 可扩展性
- 添加新策略只需：
1. 创建新的策略类继承 `SparsePolicy`
2. 添加到 `SparsePolicyType` 枚举
3. 在工厂函数中添加创建逻辑
4. 添加相应的配置参数
---
## 文件修改清单
### 必须修改的文件
1. `nanovllm/kvcache/sparse/policy.py` - 确保基类定义完整
2. `nanovllm/kvcache/sparse/xattn_bsa.py` - 确保接口对齐
3. `nanovllm/kvcache/offload_engine.py` - 添加辅助方法
4. `nanovllm/layers/attention.py` - 验证集成点
5. `nanovllm/config.py` - 确认参数结构
6. `nanovllm/kvcache/__init__.py` - 确认工厂模式
7. `nanovllm/kvcache/sparse/__init__.py` - 确认注册逻辑
### 可选创建的文件
- `tests/test_xattn_bsa_integration.py` - 集成验证测试
---
## 实现状态
- [ ] Phase 1: SparsePolicy 基类接口确认
- [ ] Phase 2: XAttentionBSAPolicy 接口对齐
- [ ] Phase 3: OffloadEngine 辅助方法模块化
- [ ] Phase 4: 工厂模式集成验证
- [ ] Phase 5: attention.py 集成点验证
- [ ] Phase 6: 配置参数模块化
- [ ] Phase 7: 模块化验证测试
---
## 备注
- 此计划专注于模块化集成，不涉及算法优化
- 所有修改都遵循现有框架的设计模式
- 重点在于接口统一和模块解耦
- 测试阶段使用简单脚本验证即可，不需要完整的端到端测试