📌 落地抄作业指南与核心资源库索引：

1. 学习起点：GitHub 搜索开源仓库 `wafer-ai/gpu-perf-engineering-resources`（非杂乱论文堆，涵盖从 GPU 底层、Roofline 模型、Transformer 算术到分布式推理引擎的完整第一手工程索引）；
2. 必读第一篇：Google DeepMind《How To Scale Your Model》Chapter 7: All About Transformer Inference（强烈建议把文中的两道 worked problems 用草稿纸手算一遍，对 $$B_{\mathrm{crit}}$$ 临界 batch 的理解会彻底立住）；
3. 架构优化优先级建议：
• 先用 GQA / KV 量化 / 分页把单步显存搬运量压下来；
• 接入 Continuous Batching + 前缀缓存（Prefix Cache）消除调度空转；
• 并发跑满后再考虑上跨机 PD 分离架构，最后一步才去抠手工 Triton/CUDA Kernel。

各位做大模型推理架构的工程师，你们目前线上跑的业务里，主要卡点是首字延迟（TTFT），还是并发上来之后的显存溢出（OOM）？