fix: 修复 DeepSeek V4 reasoning_content 回传导致的 400 错误

- 扩大模型名称检测范围，匹配所有 deepseek 模型（V4、R1 等）
- 始终保留 thinking blocks 为 reasoning_content 回传给 API
- 移除有 bug 的 turn boundary 剥离逻辑

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

Author: claude-code-best

teach-me/learner-profile.md

@@ -0,0 +1,14 @@
+# Learner Profile
+Updated: 2026-04-24
+
+## Style
+- Learns best with: Analogies (Memory page <-> Capsule hotel), Concrete trade-offs (Latency vs Throughput)
+- Strength: Strong logical intuition regarding memory constraints.
+- Pace: Fast. Grasped PagedAttention/TP concepts quickly from first principles.
+
+## Patterns
+- Tends to focus on memory usage ("is it OOM?"), which is a good instinct for inference tuning.
+- Needs precision on API flags (e.g., `--tensor-parallel-size`).
+
+## Topics
+- vLLM Inference Optimization (10/10 concepts mastered, 2026-04-24)

teach-me/vllm/session.md

@@ -0,0 +1,25 @@
+# Session: vLLM Inference Optimization
+- Level: Beginner (Target: Inference Optimization)
+- Started: 2026-04-24
+- Status: Mastered
+
+## Concepts
+1. ✅ LLM 推理的两个阶段 (Prefill vs Decode)
+2. ✅ KV Cache
+3. ✅ 显存瓶颈与碎片化
+4. ✅ PagedAttention
+5. ✅ vLLM 架构 (Scheduler, Worker)
+6. ✅ 实战部署 (--dtype, openai api)
+7. ✅ 量化 (AWQ/GPTQ vs 暴力 dtype)
+8. ✅ Tensor Parallel (TP, NCCL)
+9. ✅ 性能参数 (--gpu-memory-utilization)
+10. ✅ Chunked Prefill
+
+## Misconceptions
+- [Chunked Prefill]: 原以为主要目的是降低显存。
+  - 纠正：确实降低了**峰值激活显存**，但核心目的是降低**Latency (卡顿感)**。
+
+## Log
+- Diagnosed: Beginner
+- Mastery: Intuitive understanding of memory constraints and fragmentation is strong.
+- Final Quiz: 3/3 correct (with minor clarification needed on TP params).

teach-me/vllm/vllm-notes.md

@@ -0,0 +1,81 @@
+
+# vLLM 核心原理与性能调优笔记
+
+## 1. vLLM 是什么？
+一个**高吞吐量、低延迟**的大语言模型推理服务框架。
+* **核心目标**：榨干 GPU 性能，让同一个显卡能同时服务更多并发请求（Throughput），并减少卡顿（Latency）。
+* **一句话理解**：LLM 推理版的"显存管理大师与调度大师"。
+
+---
+
+## 2. 为什么 vLLM 快？(核心原理)
+
+### 2.1 显存的痛点：KV Cache 与 显存碎片化
+LLM 推理分为两个阶段：
+1. **Prefill (预填)**：处理 Prompt，生成第一个 token。
+2. **Decode (解码)**：基于之前的 token，一个接一个地生成下一个 token。
+* **KV Cache**：为了避免每次 Decode 都重新计算一遍之前所有 token 的 Attention，必须把这些中间结果 (KV) 存在 GPU 显存里。
+* **传统框架痛点**：一次申请固定长度的连续显存。如果一个请求用了 50% 的空间就结束，剩下的显存因为"不连续"而无法分给其他请求，导致显存利用率只有 20% 左右（**显存碎片化**）。
+
+### 2.2 PagedAttention (分页存储技术 —— vLLM 的大杀器)
+借鉴了操作系统**虚拟内存分页**的设计。
+* **做法**：不再一次性分配一大块显存，而是把 KV Cache 切分成固定大小的 **Block**。每个 Block 存在显存的任意位置，通过 **Block Table** 映射。
+* **效果**：空闲的 Block 随时分配给新请求。显存利用率从 20% 提升到 90%+。
+* **好处**：彻底解决了碎片化问题，使 Concurrent Batching 成为可能。
+
+### 2.3 Continuous Batching (连续批处理)
+* **Static Batching (传统)**：一个 Batch 里的请求必须一起跑。哪怕 9 个请求生成了 10 个 token 就结束了，必须等第 10 个请求生成完（比如 500 个 token）才能结束。这导致 GPU 在后期大量空转。
+* **Continuous Batching**：一个请求一旦结束，立刻从 Batch 中剔除，并从队列里拉一个新请求塞进去。GPU 始终在满负荷工作，**吞吐量呈指数级提升**。
+
+---
+
+## 3. 性能与显存进阶优化
+
+### 3.1 量化 (Quantization)
+把高精度的权重（如 FP16）压缩成低精度的版本（如 INT8, INT4, FP8）。
+* **作用**：**减少显存占用（装下更大的模型）；提高推理速度（低精度计算更快）**。
+* **AWQ / GPTQ vs 暴力降低精度**：
+    * 模型中有极少数关键权重 (**Outliers/异常值**)。如果暴力降低精度，这部分信息丢失，模型性能（IQ）会暴跌。
+    * **AWQ 等算法**会先探测哪些权重敏感，针对这些权重特殊保护（保留更高精度），其余部分暴力压缩。类似于“好钢用在刀刃上”。
+
+### 3.2 多卡并行 (Tensor Parallelism - TP)
+当模型太大，单张显卡（如 A100 80G）装不下（比如 70B FP16 需要 140G 显存）：
+* **做法**：把模型的每一层权重矩阵切分成 N 份（N = GPU 数），分配给多张卡。每执行一步，各卡算好自己那份，再通过 **NCCL 协议** 在 GPU 之间交换中间结果并合并。
+* **代价**：**通信带宽瓶颈**。如果模型不大，切分后的通信延迟会抵消计算带来的速度提升。
+
+### 3.4 分块预填 (Chunked Prefill)
+* **背景**：在 Continuous Batching 中，如果一个巨大 Prompt (100k) 进来，它的 Prefill 计算量极其庞大，可能会导致其他小请求被阻塞（卡顿）。
+* **做法**：把大 Prompt 的 Prefill 阶段切成小块，穿插在小请求的 Decode 阶段之间执行。
+* **效果**：大幅降低**Latency（卡顿感）**，并降低 Prefill 的**峰值显存占用**，允许调度更多并发请求。
+
+### 3.5 其他关键优化
+* **Prefix Caching (前缀缓存)**：如果应用有大量重复的 System Prompt（比如 500 tokens 的角色设定），可以直接复用之前的 KV Cache，不用重新计算。
+* **Stream Processing (流式处理)**：不用等全部生成完才返回，算出几个 token 就返回给用户，降低“首字延迟” (TTFT)。
+
+---
+
+## 4. 实战参数大全 (Cheat Sheet)
+
+```bash
+# 1. 加载 70B 模型，4 张 A100-80G
+# 使用 4 卡切分 (TP=4)，自动选择精度 (通常是 FP16)
+# 最大支持 8k 上下文
+# 使用 PagedAttention 优化显存 (默认开启)
+vllm serve Qwen/Qwen2.5-70B-Instruct \
+  --tensor-parallel-size 4 \
+  --dtype auto \
+  --max-model-len 8192 \
+  --gpu-memory-utilization 0.95
+
+# 2. 量化加载 (如果只有一张卡，想用 INT4 加载 70B)
+# (需要模型支持 AWQ 格式文件)
+vllm serve Qwen/Qwen2.5-70B-Instruct-AWQ \
+  --quantization awq
+```
+
+| 参数 | 作用 | 调优建议 |
+|------|------|----------|
+| `--tensor-parallel-size N` | 多卡切分 (TP) | 大模型 (30B+) 才用。卡越多，通信越慢，单请求延迟越高，但吞吐量越高。 |
+| `--max-model-len N` | 最大上下文长度 | **越小越好**。显存省得越多，并发请求量 (Batch Size) 越大。按需设置 (如 4096)。 |
+| `--gpu-memory-utilization` | 显存利用率阈值 | 建议 `0.90` 或 `0.95`。留一些余量给 Activation (激活值) 避免 OOM 崩溃。 |
+| `--enable-prefix-caching` | 开启前缀缓存 | Agentic 场景 / Long context 场景推荐开启。大幅降低重复 Prompt 的计算时间。 |