从零实现 LLM Inference：040. CUDA Graph 加速 paged decode
decode 热路径里 kernel launch 太密？把一次 decode step 捕获成 CUDA Graph，replay 省掉大量 CPU dispatch。
Recent posts
从零实现 LLM Inference：039. Triton Autotune（paged-attn decode kernel）
把 paged-attn decode kernel 的 num_warps/num_stages 从“拍脑袋常量”变成 Triton autotune；结果在 decode 热路径里反而回退了。
从零实现 LLM Inference：038. Batched KV Append Fast Path
paged decode 还在慢？很多时候瓶颈不在 attention，而是在每步 L*B 次的 KV 写入：做一个 batch fast-path，直接把 Python 循环砍掉。
从零实现 LLM Inference：037. Paged Attention Slot Mapping
block_table 不再每步 gather/copy：把它常驻 GPU，用 slot_mapping 让 triton kernel 直接索引，decode 吞吐更稳。
从零实现 LLM Inference：036. Paged Attention Block Table Cache
paged attention decode 每步重建 block_table 太浪费：按 session 缓存 row，只在 block 变化时更新，decode 吞吐和 TPOT 更稳。