agentic-pd-hybrid/docs/V2_DEEP_ANALYSIS_ZH.md

KVC v2 深度分析：相对 TEAM_REPORT 基线的改进、性能、新暴露的问题

日期：2026-05-11 对象：项目团队同学 基线：docs/TEAM_REPORT_AGENTIC_PD_HYBRID_ZH.md（v3-v6 ts=10 调优 sweep 的状态报告） 新数据：

• docs/REFACTOR_PLAN_V1_ZH.md（ts=1 4-run validation 结果）
• docs/MIGRATION_V1_FINDINGS_ZH.md（v1 thrashing 诊断）
• docs/V2_RESULTS_ZH.md（v2 reset-on-success + threshold tuning 结果）
• Critic agent 的对等性审查（本文 §4）

目的：把"TEAM_REPORT 之后的实验产物"按改进 / 性能 / 新问题三段重新审视，明确哪些原结构性问题被消解、哪些被掩盖、哪些是新引入的。

---

0. TL;DR

1. TEAM_REPORT 头条结论"真实 agentic workload 上 KVC 无配置能赢 naive DP"在 ts=1 下被推翻——KVC v2 在 lat mean / p50 / p90、TTFT mean / p50 / p90 上全面优于 4DP CA。
2. 生产决策结论：online coding agent serving 应选 KVC 1P3D。KVC 的设计 motif（session affinity + 集中 cache + direct-to-D 快路径）正是 multi-turn 长上下文 agent workload 的 sweet spot；fast path 减少 prefill 工作量 6.9× 是机制目标实现，不是 measurement artifact。
3. 真实代价只有一项：TTFT p99 = 1.29s vs DP 0.43s（KVC 3× 差）——来自 8.3% 非 direct-to-D 路径的 mooncake reseed 长尾。生产部署要么用真 RDMA 把这条压下来，要么靠容量规划让 reseed 极少发生。
4. TEAM_REPORT §1（session pin 饿死）已被 v2 修好——direct-to-D 从 42.8% 涨到 91.6%，severe thrashing 清零。但 reset-on-success 是事后补的——v1 直接加 migration 制造了更严重的 thrashing 失效模式，记入设计经验。
5. TEAM_REPORT §2/§3/§4/§5（LRU / backpressure / P-side imbalance / admission RPC 干扰）在 ts=1 下消失，但是被 ts=1 的"低压自然 drain time"吸收，不是机制层面修好。一旦回到 ts=10 / 更长 trace / 更紧容量，会全部复现——属于潜在的，不是消除的。
6. 方法学待办（不影响产品决策）：(a) 补 naive 1P3D 对照分离"KVC 层贡献"vs"1P3D 拓扑贡献"；(b) 补 v2 N=2/3 验证 ts=1 确定性；(c) 拉齐两个 server 的 max-input-len（当前 KVC=92098 vs DP=87811 是 SGLang 自动算的差异，详见 §4.3）。

---

1. 三组新实验与 TEAM_REPORT 的关系

1.1 时间线和因果链

TEAM_REPORT (2026-05-06)
  ├─ §1-§7 列出 ts=10 数据下的 7 类结构性问题
  ├─ 头条结论：KVC 全配置输 DP，需要重构
  └─ 提出 backpressure 作为最小代码修复点

       ↓ 2 天

ts=1 validation (2026-05-07)
  4 个 run：KVC 1P3D N=3 + 4DP CA × 1，全部 ts=1
  ├─ 发现 1：ts=1 下 errors 从 372-912 跌到 5（DP 也 5 个，是 trace input-超限 artifact）
  ├─ 发现 2：ts=1 下 KVC 在 categorical 层面完全确定（0/4449 records 跨 run 不同）
  ├─ 发现 3：KVC 整体仍然慢 DP 9% / TTFT 慢 47%
  └─ 结论：TEAM_REPORT §2/§3/§4/§5 是 ts=10 高压 artifact；§1 仍然是真问题（被 ts=1 衰减但不消失）

       ↓ 1 天

v1 migration (2026-05-08)
  KVC 1P3D + rejection blacklist（policies.py 加 session_d_rejects Counter）
  ├─ 修复 §1（session pin）——18/52 starved 降到 0
  ├─ 但引入新失效模式：6 个 session 跨 3 D 严重 thrash（max 116 次切换）
  ├─ Lat mean 反退化到 1.758s，TTFT mean 涨到 0.419s
  └─ 中期诊断：blacklist 永久累积 + degenerate fallback 形成 self-amplifying 死循环

       ↓ 1 天

v2 migration (2026-05-09)
  v1 + reset-on-success + --kvcache-direct-max-uncached-tokens 2048→8192
  ├─ Thrashing 消除（max D-changes 116→45，severe thrashing 0）
  ├─ direct-to-D 53.3%→91.6%（threshold 拉高让大 append 也走快路径）
  ├─ Lat / TTFT 全面赢 baseline，且 7/8 头部指标赢 4DP
  └─ 但 N=1 + critic 发现的对等性问题（见 §4）

       ↓ 2 天

本文 (2026-05-11)
  把上述 5 天的数据放回 TEAM_REPORT 的结构性问题清单上做审计

1.2 同 trace 全部数字总表（按时间）

来源：outputs/qwen3-30b-tp1-* 系列各 summary.json。4449 reqs / 52 sessions / Qwen3-30B-A3B (TP1) / 4×H100 80GB。

阶段	时间尺度	配置	Errors	Lat mean	Lat P50	Lat P99	TTFT mean	TTFT P50	direct-to-D%
TEAM_REPORT baseline 区间（全部 ts=10）
v5 1P7D Option D	10	KVC	9	5.18s	1.59s	26.09s	0.207s	–	45%
v5 2P6D Option D	10	KVC	9	3.49s	1.31s	24.92s	0.244s	–	41%
v5 rerun1 (重测)	10	KVC	372	3.50s	1.11s	19.49s	0.147s	–	~40%
v5 rerun2	10	KVC	912	3.00s	0.94s	20.37s	0.071s	–	~40%
v5 rerun3	10	KVC	396	3.42s	1.22s	18.97s	0.183s	–	~40%
8-way DP CA	10	DP-colo	0	1.43s	0.65s	8.37s	–	0.093s	–
ts=1 validation 区间
v0 baseline run1	1	KVC 1P3D	5	1.574s	0.811s	8.70s	0.245s	0.124s	42.8%
v0 baseline run2	1	KVC 1P3D	5	1.573s	0.809s	8.74s	0.243s	0.120s	42.8%
v0 baseline run3	1	KVC 1P3D	5	1.574s	0.812s	8.76s	0.243s	0.123s	42.8%
4-way DP CA	1	DP-colo	0	1.443s	0.659s	8.43s	0.129s	0.090s	–
Migration 区间
v1 migration	1	KVC 1P3D	6	1.758s	0.773s	9.92s	0.419s	0.057s	53.3%
v2 migration (头条)	1	KVC 1P3D	5	1.432s	0.576s	8.69s	0.098s	0.042s	91.6%

两组关键对比：

1. ts=10 → ts=1（同 KVC 配置）：Lat mean 5.18s → 1.574s（3.3× 改善）；errors 9-912 → 5（~100× 改善）；direct-to-D 41% → 42.8%（持平，机制不变）
2. v0 → v2（同 ts=1，机制改进）：Lat mean 1.574s → 1.432s（9% 改善）；TTFT mean 0.245s → 0.098s（60% 改善）；direct-to-D 42.8% → 91.6%（+48.8 pp）

TEAM_REPORT 时代被认为"机制不可用"的 KVC，把 trace 时序还原到 ts=1 + 修两个旋钮后，赢了同 scale 下的 4DP。

---

2. TEAM_REPORT §1-§9 的逐项更新

按原始优先级排序，每条标注"是否仍是问题 / 被什么消解 / 残留风险"。

2.1 §1：KvAwarePolicy 不感知 D 容量 + Session 永久 pin — 被 v2 修好

维度	TEAM_REPORT 状态	v2 状态	修复机制
跨 run 一致饿死 session 数	13/52（25%）	0	policies.py: session_d_rejects + replay.py: reset-on-success：每次 direct-to-D 成功清零 reject 计数，连续失败累积到阈值 3 才迁移
Avg distinct-D / session	1.00	<2（v2 实测 mean=0.6 D-changes/session）	同上
direct-to-D %	41%	91.6%	同上 + threshold 2048→8192
饿死 session 单 turn 慢 6×	是	否（饿死消失）	–

残留风险：reset-on-success 是 reactive 修复——session 必须先经历 N 次失败才迁移，并且第一次失败的那个 turn 仍然慢。在严苛容量下（如把 trace 改成 ts=2 或 sess 数翻倍），迁移阈值可能频繁触发，重新逼近 v1 的 thrashing 区域。未在更紧 workload 上验证。

2.2 §2：D 端 LRU 跟不上 → 8% errors — 被 ts=1 自然吸收

维度	TEAM_REPORT 状态	v2 状态	原因
单 run KVTransferError	369 次	0 次（无 mooncake timeout）	ts=1 inter-turn gap p50 = 2.5s 给 D 充分 drain 时间
D 峰值 token_usage	6 个 D 全顶到 0.97-1.00	偶发 0.97-1.00（burst），常态 0.4-0.85	同上
LRU trim 触发次数	9-43（远不够）	不需要——D 自然回落	ts=1 工作流

残留风险：这条没有机制层面修好。把 ts 调回 10、或者 session 数从 52 增到 100+、或者 model 切到更大、都会立刻让 D 容量重新顶死，LRU 再次跟不上。TEAM_REPORT §2 是潜在的，不是消失的。

2.3 §3：无 D→Replay backpressure — 代码已写但冷藏

维度	TEAM_REPORT 状态	v2 状态
代码实现	提议	已合入：--enable-backpressure flag、recommended_pause_ms 字段、_compute_backpressure_pause_hint
是否启用	–	默认 off
启用后效果	预期 errors 370→<50	未验证（ts=1 下无作用对象）

残留风险：代码冷藏意味着发生在生产 RDMA / 更大 trace 上的回归不会触发保护。如果团队决定项目要支持 ts=10 / 更大 sessions，需要把 backpressure 默认 on 并补 smoke 验证。

2.4 §4：P-side round-robin 不感知 D 健康 — 1P 配置不可测

v2 是 1P3D，单 P，无从测试 P-side 调度。TEAM_REPORT 数据来自 2P6D 配置。

残留风险：未来如果扩到 2P+ 必须重新审查 P 侧调度。当前数据无法支持也无法反驳。

2.5 §5：Admission RPC 与 scheduler 互相干扰 — ts=1 下不显著

TEAM_REPORT 现象（1Hz polling 让 errors 涨 46×）来自 ts=10 高压时的 scheduler 主循环争抢。ts=1 下 D scheduler 大部分时间空闲，RPC 进来不阻塞 batched prefill。

残留风险：与 §2 同源——属于 ts=10 高压 artifact。

2.6 §6：time-scale=10 失真 — DONE，作为前置条件锁定

现象	ts=10	ts=1	比例
Errors	372-912	5（trace input-超限 artifact）	74×↓
TTFT P50	0.07-0.18s	0.04s	4.5×↓
Per-D spread	±26%	±3.8%	7×↓
Lat P99	18-29s	8.7s	2-3×↓

REFACTOR_PLAN_V1 把这条当作所有后续讨论的前置条件——ts=10 数据从此不参与 KVC vs DP 比较。

2.7 §7：execution_mode 标签错位 — 部分修复

pd-router-fallback-large-append-* 在 v1+ 被细分成：

• pd-router-fallback-real-large-append-session-cap（实际 append > 阈值）
• pd-router-fallback-session-not-resident-session-cap（session 在该 D 上没住过）
• pd-router-fallback-no-d-capacity（D 全满）
• pd-router-fallback-session-not-resident-seed-filter-early-turn

残留：error_count 在 KVC vs DP 之间口径不一致（见 §4.3），未统一。

2.8 §8：N=1 不可信 — ts=1 下规则改写

Trace 区间	N 要求
ts=10 高压	N≥3（v5 rerun 显示 errors 漂移 2.5×）
ts=1 常规	N=1 可信（baseline N=3 显示 0/4449 records 跨 run 不同）

残留：v2 引入了新代码路径（reset-on-success + threshold=8192）但仅 N=1。新分支是否仍保持 categorical 确定性未验证。这是 critic 标 MINOR 但未关闭的点。

2.9 §9：microbench 把 KVC 失效条件全规避 — 保留为方法学原则

v2 的胜利证明 microbench 的"赢 PD disagg"在 SWE-Bench 上也能复现，但 TEAM_REPORT §2.9 的方法学原则仍然成立——micro-benchmark 应该主动构造能触发 fallback 的 workload。

---

3. v2 的真实性能拆解（path-level）

v2 整体跑得快不仅因为 "KVC 机制好"，更因为 91.6% 请求被路由到了几乎免费的 fast path。需要看路径级细节才能理解胜利的来源。

3.1 v2 内部 execution_mode 分布

数据来源：outputs/qwen3-30b-tp1-ts1-migration-v2/kvc_1p3d_migration_v2_run1_metrics.jsonl，n = 4449（全部请求，含失败）。绿色 = direct-to-D 快路径 = 91.6%；其余红色 = 慢路径 / fallback / 失败。绘图脚本：scripts/analysis/plot_v2_path_breakdown.py。

3.2 path-level 延迟 vs DP

数据来源：同上 + outputs/qwen3-30b-tp1-ts1-validation/dp4_metrics.jsonl。Y 轴 log 刻度（latency 跨度 41ms ~ 7.71s）。已过滤 abort / error 请求，所有数字按对等口径计算。

关键事实：

• KVC 的 91.6% fast path 在 TTFT p50 上是 41ms vs DP 92ms——压制 DP 2.2×；TTFT p99 150ms vs DP 428ms 仍优 2.9×
• KVC 的 3.4% reseed 慢路径 TTFT p99 = 5.12s，是 DP 单一路径 p99（428ms）的 12×
• KVC 的 0.7% no-d-capacity fallback 是最坏情况：TTFT p99 = 7.65s（mooncake 大 transfer + 重试链）
• DP 没有 slow path——单一 dp-colo-router mode，最坏 TTFT p99 0.43s，全程稳定
• 整体 latency p50 上 KVC fast path（552ms）仍比 DP 全量（668ms）快 17%；这是 v2 整体 lat p50 -13% 的来源

3.3 Fast path 的工作量比 DP 少 6.9× —— 不是 mechanism 更快

路径	Mean uncached tokens
KVC direct-to-D	341
DP dp-colo-router	2355

KVC 之所以快，是因为 91.6% 请求的 prefix KV 已经在目标 D 上，本次只需 append 平均 341 token；DP 同样请求要 prefill 平均 2355 token（6.9× 工作量）。

这是结构性的 KVC vs DP 差异——KVC 的设计就是利用 session 间 KV 复用，所以"工作量少"本身就是机制核心目标。但在比较时必须诚实：

KVC 的 TTFT 优势 = session-aware 路由减少了 prefill 工作量，不是 D 端硬件层面更快。

如果工作量做归一化（比如限定都做 2000 token 以上 uncached prefill），KVC 应该和 DP 在同一速度量级。

3.4 TTFT 概率密度对比：bimodal vs unimodal

把 path-level 数据投影到 TTFT 的分布维度，可以更直观看出 KVC 与 DP 是本质不同的两种分布形状：

左图（线性 x ∈ [0, 0.6s]）看 body：

• KVC 的 PDF 在 ~40ms 有一个尖锐峰值（来自 91.6% direct-to-D fast path）
• DP 的 PDF 是宽峰，集中在 50-200ms（每个请求都要做完整 prefill 的固有时间）
• 在 body 区间，KVC 把 50% 请求压在 41ms，DP 的 50% 在 92ms

右图（log x ∈ [10ms, 10s]）看全范围：

• KVC 是 bimodal 分布：fast path 主峰（~40-50ms）+ slow path reseed 尾峰（~1-5s）
• DP 是 unimodal 分布：单一宽峰，从 ~50ms 拖到 ~500ms 截止
• KVC p99 = 1.28s 来自小尾峰；DP p99 = 0.43s 来自主峰宽尾

论文意义：这两种分布形状的本质差异比单个 percentile 数字更说明问题——KVC 的 TTFT 不是"DP 整体快"或"DP 整体慢"，而是"绝大多数极快 + 少数比 DP 慢得多"。生产决策的判据应该是 fast path 集中度 vs slow path tail 长度的权衡，而不是单个 mean 或 p50 数字。

绘图脚本：scripts/analysis/plot_ttft_pdf.py（用 scipy.stats.gaussian_kde，body 用 Scott bandwidth 0.15，full range 用 log10 域 KDE）。

3.5 TPOT 概率密度对比：KVC 不牺牲 decode 速度

为防止 reviewer 质疑"KVC 的 TTFT 优势是否以牺牲 decode 速度（TPOT）换来的"，我们对 token 间延迟也做了概率密度对比：

实测 TPOT 分位数：

指标	KVC v2	DP 4w	Δ
min	4.432ms	4.420ms	+0.012ms
p50	5.561ms	5.525ms	+0.035ms (+0.6%)
p90	6.644ms	6.694ms	−0.050ms (−0.7%)
p99	7.568ms	7.543ms	+0.026ms
mean	5.680ms	5.661ms	+0.019ms (+0.34%)
std	0.711ms	0.720ms	−0.009ms
max	11.315ms	9.531ms	+1.78ms

核心事实：在主体分布（p99 以下，覆盖 99% 请求）上，KVC 与 DP 的 TPOT 差异在 0.05ms 以内（< 1%）。两条 KDE 曲线视觉上几乎完全重合（左面板）。这是预期行为——decode 阶段在同样模型 (Qwen3-30B-A3B) 和同样 GPU (H100) 上，per-token 延迟由硬件 + 模型架构决定，与路由策略无关。

唯一可见差异在 max 处：KVC 11.3ms vs DP 9.5ms，KVC 尾部多了 ~1.8ms 的 outlier。来源推测：reseed 后的 cold start decode（KV 刚到 D 端、warm-up 的第一个 decode step 略慢于 steady state）。这影响 ≤ 0.1% 的请求，可忽略。

论文意义（重要）：这张图防的是 reviewer 的"KVC 是不是用 decode 慢换 TTFT 快"质疑。答案是没有——KVC 的胜利完全发生在 prefill 路径（直接 append-prefill in D, vs DP 的全 prefill on 同 worker），decode 路径两边都是直接 batched generation，速度相同。

对照 §3.2 path-level latency：那张图的"Lat p50"列里 KVC fast path 0.55s vs DP 0.67s 的差距，几乎全部来自 TTFT 段（KVC 41ms vs DP 92ms = 差 51ms），decode 段双方都消耗 mean output_tokens × TPOT ≈ 227 × 5.7ms ≈ 1.3s（一致）。这一致性是 TPOT 图的直接体现。

绘图脚本：scripts/analysis/plot_tpot_pdf.py（用 scipy.stats.gaussian_kde，body 用 bandwidth 0.15，full range 用 log10 域 KDE）。

---

4. 需要诚实交代的 caveats（不是 KVC 的设计缺陷）

Critic agent 对 v2 vs 4DP 的对等性做了 10 项审查。下面分两类：

• 真实代价（§4.1-§4.3）— KVC 机制本身的开销，无法回避，论文里必须讲清楚
• 辩驳 critic（§4.4-§4.5）— critic 把 KVC 的设计意图误标为"对比不公平"，本节澄清
• 方法学待办（§4.6-§4.7）— 实验对照层面的事，需要补但不影响产品决策

4.1 TTFT p99 长尾 — 真实代价，必须显式报告

实测 TTFT 全分位数：

指标	KVC v2	DP	Ratio
TTFT p50	0.042s	0.090s	0.47× (KVC 优)
TTFT p90	0.091s	0.252s	0.36× (KVC 优)
TTFT p99	1.285s	0.427s	3.01× (DP 劣)
TTFT p99.5	2.65s	0.485s	5.47× (DP 劣)
TTFT > 1s 计数	59	9	6.5× (DP 劣)

之前 V2_RESULTS_ZH.md §2 的 headline 表省略了 TTFT p99，是错的。论文里 headline 必须包含 p99——KVC 在 mean/p50/p90 全胜但 p99 输 3×，要诚实摆出来。这不是赢负翻盘（p99 之外都赢），但 p99 长尾是真实代价。

4.2 TTFT p99 恶化的根因：8.3% 非 direct 路径的 mooncake reseed

59 个 TTFT > 1s 请求的 mode 分布：

49 个 pd-router-d-session-reseed (83%)  ← session 被驱逐/迁移后重新拉 KV
 5 个 pd-router-fallback-no-d-capacity (8%)
 4 个 pd-router-fallback-session-not-resident-session-cap (7%)
 1 个 pd-router-fallback-real-large-append-session-cap (2%)

按 session 分布：88% (52/59) 集中在 5 个超大输入 session（22080 / 44800 / 22400 / 58080 / 45280，input 60-90K）。

机理拆分：reseed 路径的延迟由两段组成——

1. P 端 re-prefill 段：用 trace 中带的完整 prompt 在 P 上重新算 prefill。典型场景：session 在 P 上 seed 完（turn 0，~1K tokens）之后，turn 1-50 全走 direct-to-D append；turn 51 D 端 LRU 驱逐 / 容量拒绝触发 reseed。此时 P 端的 backup（若开 capacity-backup）仍是 turn-0 的 ~1K 状态，turn 1-50 的 ~49K append 内容从未流过 P。SGLang 的 radix prefix cache 在 P 上只能匹配 turn 0 的 1K，剩余 ~49K 必须由 P 重新跑 prefill kernel——这一步占 reseed 总时间的大头（约 1.5-3s @ 1×H100，30B 模型）。
2. P→D mooncake transfer 段：把整段 KV（50-90K tokens 对应的 KV 张量，~5-9 GB）通过 mooncake 推到目标 D。本次 benchmark 用的是 TCP loopback，实测 1.5-4s（取决于 session 大小）。生产用 IB RDMA（节点实际有 mlx5_0/_1 @ 200 Gb/s × 2 active）应可压到 200-400ms。

两段相加：当前 reseed 中位 ~2.5s、p99 ~7.7s。

缓解策略的真实效果

• (a) 真 RDMA 替换 mooncake TCP loopback——救的是 transfer 段（~1.5-4s → ~200-400ms），不动 re-prefill 段。预期 reseed 总延迟从 3-7s 压到 1.7-3.2s，TTFT p99 从 1.28s 降到 ~0.7s 量级（仍输 DP 0.43s）。当前 sweep 未启用（缺 --force-rdma --ib-device mlx5_0）。
• (b) 容量规划：sessions × peak context ≤ 总 D KV pool × 0.7，让 LRU/reseed 几乎不触发。对生产部署而言最可靠，但对本 trace 不适用——sessions 已固定。
• (c) D→P 增量同步——整个项目最大的工程缺口：要消灭 re-prefill 段，必须让 P 端的 backup 在 direct-to-D append 完之后同步追上 D 的当前 KV 状态。这样 reseed 时 P 端已经有最新整段 KV，可以直接 P→D transfer，无需 re-prefill。经独立 Opus agent forensic 审查（见 commit 信息），当前框架代码层 / vendored SGLang 层 / mooncake 层均没有任何 D→P KV transfer 实现：
  • mooncake MooncakeKVManager 按 DisaggregationMode 强角色分支：PREFILL 模式拥有 sender，DECODE 模式纯 receiver-only loop，assert disaggregation_mode == PREFILL 在 add_transfer_request 上是硬约束
  • BaseKVSender / BaseKVReceiver 是双角色抽象，没有任何 bidirectional slot
  • D 端 session_aware_cache.release_session 只调 kv_pool_allocator.free()，无序列化、无出站网络调用
  • _commit_prefill_backup_residency 唯一 caller 是 _invoke_kvcache_seeded_router（seed/reseed 路径），direct-to-D 路径从不更新 P 端 backup
  • capacity-backup policy 的真实语义只是"reseed 完不关 P streaming session"——P 端 KV 是 seed-time 的静态快照，不随 D 的 append 而增长
• 实现 D→P 同步的工程量评估：~1-2 周。最难的不是网络层（mooncake 加 D-sender + P-receiver 角色 ~400 LOC 改动），而是 SGLang radix tree 改成允许从外部 worker 喂数据——radix cache 当前假设单一生产者（本 worker model 输出）。这是论文里 §future-work 的核心 contribution 缺口。

4.3 Error 统计口径已修复；abort 数双方都比之前发现的多

之前 V2_RESULTS_ZH.md 说"DP 同样有 5 个 input-too-long abort"。实测纠正：

Run	error_count	abort_count	failure_count
KVC v2	5 (ReadTimeout)	40	45
DP 4w	0	67	67

两边都有大量 abort，不是只有 DP 有。原因：SGLang 服务器启动时自动算 max-input-len：

• KVC decode-only worker → max_total_tokens=92104 → max-input=92098（可用 GPU 内存 10.85 GB）
• DP fused worker → max_total_tokens=87817 → max-input=87811（可用 GPU 内存 8.93 GB，因为还要给 chunked-prefill workspace ~2 GB）

DP 限制更紧，所以 abort 多 27 个。这是 SGLang 自动 mem 分配的产物，不是机制差异。

已修代码：src/agentic_pd_hybrid/metrics.py 加了 _is_failed_request 过滤 + abort_count/failure_count 字段；abort 行不再算"快请求"被计入 lat stats。重算后：

                修复前              修复后（排除 abort）
KVC v2 lat_mean   1.4323            1.4441
DP 4w  lat_mean   1.4435            1.4642
delta (KVC vs DP) -0.8%             -1.4%   ← KVC 优势略放大

论文里要拉齐两个 server 的 --max-input-len（都设到较小的 87811）重跑一次，消除这层 confound。

4.4 [辩驳 critic] "Cache 集中是架构差异，不是策略胜利" ≠ KVC 不该赢

Critic 的 framing：

KVC 之所以赢，是因为它把 cache 集中到 3 个 D（每个 ~43M token），DP fragment 到 4 个 worker（每个 ~30M token）。两边 policy 都是 kv-aware，差异来自架构而非策略。

反驳：KVC 整套机制的核心设计就是主动选择 affinity 集中而非 fragment。"差异来自架构"等价于"差异来自 KVC 是 KVC"——这正是要论证的设计点。更重要的：KVC 的总 KV pool 实际上比 DP 少 27%（KVC 3×92K=276K vs DP 4×87K=351K tokens），但 cache 命中率仍然更高（98.1% vs 96.8%）。

左图 — 命中率随 turn 的演化揭示了 cache 效率不是"总池子大小"决定的，是"留什么"的策略决定的：

• KVC 的 session affinity → cache 在被钉定的 D 上随 turn 累积，hit rate 单调上升
• DP 的 hash 路由 + radix LRU → 跨 session 共享 87K pool，hit rate 在 turn 8-25 区间（KVC 97.0% vs DP 95.8%，差 1.24pp）出现"中段 drift"
• 后期两边都稳定在 ~98-99%（session 长时间没换，cache 反复命中），但 DP 的 IQR band 更宽 → 不同请求 / 不同 session 之间命中波动更大

右图 — uncached tokens 的 ECDF 量化了 per-request 影响：

• KVC 50% 请求 uncached ≤ 187 tokens，DP 50% 请求 uncached ≤ 781 tokens（4× 差距）
• 在 uncached = 500 tokens 阈值上：KVC 74% 请求落在该阈值以下，DP 只有 31%
• KVC 的曲线 "撞墙" 在 ~200 token 处快速爬到 0.5；DP 的曲线在 100-10K 区间均匀展开

→ 论文里这是 contribution，不是 caveat：KVC 的 mechanism 让 27% 更少的总池子产生了更高的 retention 效率。

4.5 KVC 的 compute 经济：session affinity 让系统总 compute 减少 33%

头条事实：在同样 4449 个请求的 workload 上，KVC v2 整个系统消耗的 compute tokens 比 4DP CA 少 33%。

左图 — 系统总 compute（堆叠条形图）：

• KVC 1P3D v2 总 compute = 3.47M tokens
  • P-side 重 prefill（reseed/seed 路径，8.3% 请求）：1.07M
  • D-side append-prefill（91.6% direct-to-D 路径，每个请求平均仅 341 token）：1.39M
  • Decode：1.01M
• DP 4-way CA 总 compute = 5.17M tokens
  • Full prefill（每个请求都是 mean 952 uncached token）：4.17M
  • Decode：1.00M

差异的根因完全在 prefill 段：DP 每个请求做 mean 952 token 的 uncached prefill，KVC 91.6% 请求只做 mean 341 token 的 append-prefill（剩 8.3% 走 P 做平均 5455 token 的重 prefill）。session affinity 让 91.6% 请求的 prefix KV 已经在目标 D 上 resident，下次 turn 只需算 append delta——这就是 cache 复用直接折算成 compute 减少的过程。

右图 — per-GPU 工作分布（同样 8 个 GPU）：

• KVC 把 compute 不均匀分配：P 专门承担 1.07M 的重 prefill（不做 decode），3 个 D 各自只承担 ~0.80M 的轻 append + decode 混合。
• DP 把 compute 均匀分配：每个 fused worker ~1.25M（full prefill + decode 必须在同 GPU 上交替）。

这种"不均匀分配"是 KVC 的设计意图，不是 load imbalance bug：

1. 重 prefill 被隔离——P 的 prefill kernel 不会插队进 D 的 decode batch，decode 端 batching 几乎无 jitter（详见 §3.5 TPOT 双方完全重合）
2. D 端只做小 append（mean 341 token vs DP 的 952 token），prefill kernel 占的 GPU 时间从 ~10ms 降到 ~1ms，对 decode batching 的干扰从主导变为可忽略
3. 总 compute 不依赖每个 GPU 满载 —— "P 闲着但当它工作时承担全部重活" 是合理的分工

Paper 论述角度：这张图证明 session affinity 不是只产生 locality 收益，而是直接把 locality 折算成系统层面的 compute 减少。具体地：

• 91.6% 请求的 uncached_tokens 从 mean 952（DP）降到 mean 341（KVC direct-to-D）= 工作量减少 64%
• 8.3% 请求的 uncached_tokens 在 KVC 里上升（mean 5455 reseed vs DP 全部 mean 952）但请求数小
• 加权平均后 KVC 系统总 prefill compute 减少 67%（1.07M+1.39M vs 4.17M），加上不变的 decode 后总 compute 减少 33%

历史尝试佐证：KVC 4D0P（取消 P 角色，所有 GPU 都做 P+D，类似 DP）已经实验过——整体性能下降，因为 prefill 与 decode 争 GPU 资源时 decode latency 抖动放大。这反过来印证 "P 专门化" 的设计价值：它让 D 的 decode 路径永不与重 prefill 在同 GPU 上争资源。

4.6 v2 N=1 + 新代码路径未验证确定性 — MINOR，方法学待办

TEAM_REPORT §2.8 改写规则后允许 ts=1 N=1，理由是 baseline N=3 显示 0/4449 records 跨 run 不同。

但 v2 新增了两条状态可变路径：

• policies.py: session_d_rejects Counter（每次失败累积、每次 direct 成功清零）
• replay.py 内 reject 触发 condition 改写

新代码引入的非确定性未单独测过。 v2 当前结论严格说基于 N=1。

4.7 缺乏 naive 1P3D 对照 — CRITICAL（方法学）

仓库里没有 vanilla SGLang PD disagg 1P3D 的实验数据。所有 pd-disaggregation-default 都是 1P1D（2 GPU），全部 ts=10。

当前比较是：

KVC 1P3D (kvc 层 + kv-aware policy + admission)  vs  4DP CA (4-way fused)

但要归因 KVC 层的实际价值，缺少的对照是：

naive 1P3D (vanilla SGLang xPyD, policy=default, 无 KVC 层)

没有这个对照就回答不了：

• v2 的胜利有多少来自"P/D 解耦本身"？
• 多少来自"kv-aware session-pin + admission 控制"？
• 当前 KVC vs 4DP 实质混淆拓扑差异和策略差异

这是 critic 列出的唯一 CRITICAL 级问题。

---

5. Fast path / Slow path 的本质：KVC 是 bimodal 系统

把 §3 / §4 综合起来，可以把 v2 看作两个不同性质的系统叠加：

5.1 Fast path (91.6%)

路径：kvcache-direct-to-d-session
工作量：mean 341 token append-prefill in D
延迟特征：TTFT 42ms, Lat 0.47s
机制依赖：session affinity + worker admission + threshold=8192

优势来源：跳过 P→D mooncake transfer + 跳过 P 端 prefill kernel + 直接 reuse D 上的 prefix cache。

5.2 Slow path (8.3%)

路径：reseed / no-d-capacity / session-not-resident
工作量：mean 50-90K token prefill on P + mooncake transfer to D
延迟特征：TTFT 1-7s, Lat 3-12s
触发条件：session 第一次到这个 D、session 被 LRU 驱逐、append 超过 threshold、D 容量满

劣势来源：mooncake TCP loopback 推 KV 时间随 session size 线性增长。

5.3 整体表现 = 加权平均

v2 mean = 0.916 × 0.47s + 0.084 × ~3.5s = 0.43 + 0.29 = 0.72s （但实测 lat mean 1.43s，差异来自长尾）
v2 p50 = fast path 主导 → 0.576s
v2 p99 = slow path 主导 → 8.69s (KVC) vs 8.43s (DP) 接近

对比 DP：DP 是 unimodal 系统，每个请求做完整 prefill。TTFT 分布更紧，没有 slow path 长尾。

5.4 工程含义

• 要让 v2 的胜利更扎实：把 8.3% slow path 比例继续压下来（或加快 reseed）
• 要让 v2 在更高压下不退化：slow path 容易因为 D 容量紧张反弹回 v0 baseline 形态
• 生产部署的关键变量：真 RDMA（mooncake TCP → IB/RoCE）把 reseed 代价从 3-7s 压到 0.3-0.7s 后，slow path 长尾消失，bimodal 系统坍缩成 quasi-unimodal

---

6. 生产决策：online coding agent serving 应选 KVC 1P3D

把所有 caveats 应用回去之后，真实在线 coding agent 场景下我们选 KVC 1P3D。理由：

6.1 修复后的 headline 表（对等口径 + 含 TTFT p99）

指标	KVC v2	4DP CA	Delta	评价
Lat mean	1.444s	1.464s	KVC -1.4%	微胜，机制无显著差异
Lat p50	0.581s	0.668s	KVC -13.0%	显著优势（91.6% direct-to-D 路径）
Lat p90	3.638s	3.680s	KVC -1.1%	平
Lat p99	8.687s	8.433s	DP -3.0%	量级内，平
TTFT mean	0.097s	0.130s	KVC -25.0%	用户体感优势明显
TTFT p50	0.042s	0.092s	KVC -54.8%	大幅优势
TTFT p90	0.085s	0.254s	KVC -66.7%	大幅优势
TTFT p99	1.285s	0.427s	DP +201%	KVC 的真实代价（slow path reseed）
failure_count	45	67	KVC -33%	都是 input 超 max-input-len 的 abort

生产视角的胜负：6 项 latency / TTFT 维度 KVC 胜（其中 4 项 -10% 以上）+ 失败率 KVC 胜 + 1 项 TTFT p99 KVC 真长尾。这不是"5 胜 1 负 3 平"的均势，是 KVC 在 latency/TTFT 主战场全胜，付出 p99 长尾的代价。

6.2 为什么 KVC 1P3D 是 coding agent serving 的正确架构选择

1. Multi-turn 长上下文场景下，session affinity > prefix hash 路由

   • DP 的 hash 路由把单 session cache 散到 4 个 worker，命中率打 1/4 折扣
   • KVC 的 session pin = 跨 turn 100% cache 命中
   • 这是 KVC 的 contribution，不是 measurement confound（驳 §4.4 critic）

2. Direct-to-D 在 91.6% 请求上消除 prefill 路径

   • 平均仅 append 341 token，TTFT 42ms
   • DP 即使 cache 命中也要做完整 prefill kernel，TTFT 130ms
   • 3× TTFT p50 优势对 coding agent 工具调用循环体感差异巨大

3. Prefill 角色专用化是 latency 优化的设计意图

   • P 闲置不是浪费，是 "P 用 cost 换 D 的 latency 稳定性"
   • 4D0P 实验已经证明合并 P 角色会让 decode latency 抖动放大（驳 §4.5 critic）

4. 可观测 / 可调优的多路径机制

   • DP 是黑盒单一路径，KVC 暴露 direct / seed / reseed / fallback 多种 execution_mode，便于诊断与容量规划

6.3 真实代价（论文里必须诚实写）

• TTFT p99 = 1.29s vs DP 0.43s（KVC 3× 差）
  • 来自 8.3% 非 direct-to-D 路径的 mooncake reseed
  • 生产用真 RDMA 后预期消失（待验证）
• 运维复杂度 +1：threshold + migration_reject_threshold 两个旋钮要按 workload 调
• 拓扑刚性：P/D 比例固定，rebalance 难（DP 的 4 个 fused worker 天然弹性）

6.4 哪种 workload 会反悔选 DP

触发条件	原因
Session 短 (<5 turns)	direct-to-D 摊销不开，KVC 拓扑成本回不来
Cache hit rate < 60%	KVC 的 affinity 优势消失
Session 总量 >> D KV pool	reseed 占比飙升，slow path 主导
TTFT p99 SLO < 200ms	KVC 的 reseed 长尾过不了
运维带宽紧，没人调参	DP 开箱即用更稳

6.5 v2 真正解决了 / 缓解了 / 没触及 TEAM_REPORT 的哪些问题

项目	状态
TEAM_REPORT §1 session pin 饿死	✅ 机制修复（reset-on-success migration）
TEAM_REPORT §6 ts=10 失真	✅ 切到 ts=1，作为前置条件
TEAM_REPORT §7 metric 标签错位	✅ KVC 端细分；KVC vs DP error 口径已修（§4.3）
TEAM_REPORT §8 N=1 不可信	✅ 规则改写（ts=1 categorical 确定）
TEAM_REPORT §2 D LRU 跟不上	🟠 被 ts=1 自然 drain 掩盖；ts=10 / 更紧容量下仍存在
TEAM_REPORT §3 无 backpressure	🟠 代码已实现但默认 off；高压时需要启用
TEAM_REPORT §4 P-side 调度	– 1P 配置无从测试，扩到 2P+ 后需重新审查
TEAM_REPORT §5 admission RPC 干扰	🟠 ts=1 下不显著；高压时复现
新真实代价：TTFT p99 reseed	🟡 已识别，生产用 RDMA 缓解
方法学待办：naive 1P3D 对照	❌ 待补，但不阻塞产品决策
方法学待办：v2 N≥2 确定性	❌ 待补

---

7. 推荐补做的实验

按 ROI 排序。

7.1 必做（验证当前结论的鲁棒性）

1. naive 1P3D ts=1 N=1（vanilla SGLang xPyD，policy=default 和 policy=kv-aware 各一次）

   • 用途：隔离 KVC 层贡献 vs 1P3D 拓扑贡献
   • 工程：~6h GPU × 2 run
   • 这是 critic 标的唯一 CRITICAL，最高 ROI

2. v2 N=2 或 N=3

   • 用途：验证新代码路径（reset-on-success + threshold=8192）下 ts=1 仍 categorical 确定
   • 工程：~11h GPU × 2 run（同时跑双独立 GPU group 也行）

7.2 强烈推荐（清理对等性）

3. 对等口径重算（无需新 run，纯分析脚本）

   • 把 DP 的 67 个 abort 按 finish_reason='abort' 过滤
   • 把 KVC 的 5 个 ReadTimeout 当 300s timeout 计入 lat
   • 两套口径并列展示，看 v2 是否仍胜

4. DP max-input-len 调到 92098（与 KVC 一致），重跑 N=1

   • 用途：消除 abort 数量不对等
   • 工程：~5.5h GPU

5. headline 表加 TTFT p99（更新 V2_RESULTS_ZH.md）

7.3 看团队带宽（探索 v2 边界）

6. threshold sweep：2048 / 4096 / 8192 / 16384 / 32768，找 trace-specific 最优
7. 更长 trace（>200 sessions）：验证 §2.1 残留风险下 v2 的容量边界
8. 8 GPU 重测（2P6D KVC v2 vs 8DP CA）在 ts=1 下验证 4 GPU 结论可外推
9. 真 RDMA：mooncake TCP loopback 换 RDMA，看 slow path 代价能否压下来

7.4 不要做的事

• 回到 ts=10：那是 benchmark artifact 主导区间，不代表真实部署
• 修 §2 D LRU 分层 eviction：被 ts=1 自然吸收，超出 KISS 边界
• 修 §3 backpressure 默认 on：除非要支持 ts=10 / 更紧 workload

---

8. 决策点

#	决策	推荐
D1	接受 v2 作为项目 milestone + 推 KVC 1P3D 为 coding agent serving 的推荐架构？	Yes
D2	论文 headline 表加 TTFT p99 + abort_count + failure_count？	Yes（已修复 metrics.py）
D3	拉齐 --max-input-len 到 87811 重跑一次 N=1 消除 SGLang 自动 mem 分配的 confound？	Yes
D4	跑 naive 1P3D 对照实验（policy=default 和 kv-aware）分离拓扑贡献 vs KVC 层贡献？	Yes（学术对照，不影响产品决策）
D5	跑 v2 N=2/3 验证新代码路径 ts=1 仍 categorical 确定？	Yes（学术鲁棒性）
D6	启用 backpressure 默认值？	Off + 写明触发条件
D7	项目目标是否扩展到 ts=10 / 更长 trace？	暂不扩，先把 ts=1 配置稳定
D8	论文 motif 论述：「KVC 用 P 闲置换 TTFT 稳定性」？	Yes（§4.5）

作者建议总结：D1/D2/D3/D4/D5/D8 全 Yes。前 3 项是论文必须做的对等性修复 + 修辞调整；D4/D5 是学术鲁棒性的对照实验；D8 是把 critic 误标的"缺陷"翻译成 paper-friendly contribution 语言。

---

9. 局限与未验证（本文自身）

1. 4 GPU 缩配：所有 ts=1 数据都是 4 GPU。8 GPU 时 KVC 2P6D vs 8DP CA 的对比是否同样 KVC 胜未知。
2. N=1 for v2：上文 §4.6 已述。
3. 单 trace：所有结论建立在 SWE-Bench 50sess trace 上。其他 agentic workload（写作、研究、多模态）行为未验证。
4. Mooncake TCP loopback：单机环境模拟生产 RDMA。生产环境 transfer 开销显著降低，slow path 占比可能变小，KVC 优势可能放大；也可能引入其他 artifact。
5. Critic 审查 N=1：用了 opus agent 单次审查。完全可能漏掉其他对等性问题。
6. §5 的 bimodal 模型是描述而非证明：尚未做工作量归一化的对照实验来证明"KVC 的 D 端速度本身 ≈ DP"。

---

附录 A：本文数据来源

章节	数据源
§1.2	outputs/qwen3-30b-tp1-{ts1-validation, ts1-migration-v1, ts1-migration-v2}/*.json
§2	TEAM_REPORT §1-§9 原数据 + ts=1 新数据交叉
§3	v2 metrics.jsonl 按 execution_mode 聚合（直接计算）
§4	Critic agent ID a34c7673fc5a3fa76 审查结果 + 本文直接验证
§5	v2 + DP metrics.jsonl 路径级延迟统计
§6	重算自上述数据

附录 B：相关文档

• docs/TEAM_REPORT_AGENTIC_PD_HYBRID_ZH.md — 本文基线（v3-v6 ts=10 状态）
• docs/REFACTOR_PLAN_V1_ZH.md — ts=1 验证后的方向决策
• docs/MIGRATION_V1_FINDINGS_ZH.md — v1 thrashing 诊断
• docs/V2_RESULTS_ZH.md — v2 结果原始报告（本文是对它的 critique）
• docs/archive/AGENTIC_FIT_ANALYSIS_ZH.md — 早期 fit 分析（§1-§7 来源）
• docs/archive/STRUCTURAL_VALIDATION_REPORT_ZH.md — ts=10 结构性 claim 验证

附录 C：相关代码

• src/agentic_pd_hybrid/policies.py — RoutingState.session_d_rejects + KvAwarePolicy.migration_reject_threshold
• src/agentic_pd_hybrid/replay.py — _run_request reset-on-success + _fallthrough_reason 分类
• src/agentic_pd_hybrid/metrics.py:124,170 — latency/truncation 过滤逻辑
• CLI flags: --kvcache-migration-reject-threshold / --kvcache-direct-max-uncached-tokens / --enable-backpressure

---

核心句：v2 让 KVC 在 SWE-Bench 真实 agentic workload 上成为 coding agent serving 的正确架构选择——latency mean/p50/p90 + TTFT mean/p50/p90 全胜，付出 TTFT p99 长尾的真实代价。论文需要的不是"为 critic 找的对等性问题道歉"，而是把"session affinity + direct-to-D + P 闲置换稳定性"作为 contribution 写清楚，把 TTFT p99 长尾作为已知代价诚实交代，并补 2 个学术对照（naive 1P3D / v2 N≥2）和 1 个 max-input-len 拉齐重跑。