百度百舸Meetup：推理基础设施如何助力Agent规模落地？
C114讯 9月22日，百度智能云联合SGLang社区举办“Agent时代的推理基础设施：百度百舸 × SGLang生产级实践”Meetup，围绕多芯适配、上下文缓存、KV Cache优化、显存优化、MoE专家压缩和推理服务治理等议题，探讨Agent走向生产环境所需要的推理底座。
可以看到，本场活动关注的重心，指向了Agent的落地价值：对于用户的问题，不在于“答的多快”，在于“是否满意”。基于推理基础设施的部署与优化，让Agent用起来，跑得更快、更省、更稳。
从多芯适配到上下文复用 让Agent更快地跑起来
当前，Agent不再只是生成一次回答，而是需要理解目标、拆解任务、调用工具，并在多轮交互中持续推进。上下文能否复用、超大模型能否高效部署、复杂请求能否稳定调度，都将影响Agent的任务完成效率和规模化应用成本。
一次真实的Agent任务，往往包含多轮推理和工具调用。随着任务推进，输入上下文持续增长，不同轮次之间也存在大量重复内容。如果每轮交互都从头计算，响应速度和推理成本都会受到影响。
公开基准数据显示，在393条真实Agentic Coding任务轨迹中，输入输出比中位数达到213∶1，极端情况下输入序列长度可达67.5万Token。Agent工作负载正在呈现长输入、多轮次、强复用的特征。
因此，Agent时代的推理基础设施不能只关注模型一次“答得多快”，还要关注一项任务能否连续、稳定、低成本地完成。要实现这一目标，推理基础设施需要从底层硬件适配、计算效率优化到上下文管理进行系统性升级。
在多芯适配方面，sglang-kunlun插件打通SGLang与昆仑芯，降低模型迁移和适配门槛。百度百舸还推动SGLang社区建立硬件可插拔插件机制，并从芯片算子、任务下发和通信等层面进行优化。
在上下文缓存方面，SGLang社区分享了从RadixAttention到Unified Radix Cache的技术演进。通过统一缓存管理体系，不同类型的KV Cache可以实现高效复用。在现场分享的实践数据中，FULL与SWA混合模型在多轮HiCache场景下命中率达到96.8%，平均首字时延为1.23秒。
不止模型跑得快 也要让 整套服务稳定可控
面对超大模型部署，百度百舸通过权重零冗余分布式部署、显存占用优化和MoE专家压缩，释放更多显存空间，为长上下文和高并发任务提供资源支撑。
在相关测试中，MoE专家压缩50%后，长输出和高并发场景下的输出吞吐峰值可达到原来的2.23倍。对Agent而言，这不仅意味着节省显存，也意味着相同算力资源可以承载更多任务。
当Agent进入生产环境，仅仅提高模型速度还不够。百度百舸从流量、负载和集群缓存三个层面进行服务治理，通过动态调度、变长行为感知分桶和KV Cache无感热迁移，让请求进入更加合适的推理实例。
同时，百度百舸构建多级缓存体系，并通过全链路命中率漏斗定位缓存损失环节，提升复杂负载下的服务稳定性。