整理自沉默王二（二哥）javabetter.cn《AI Agent 面试 296 题合集》：原文。全文搬运仅供个人学习，请勿外传。

面试官问你：“DeepSeek V4 正式涨价后，Flash 缓存命中的价格是每百万 token 输入 0.1 元（高峰时段），未命中 3 元，差了 30 倍。缓存命中之所以便宜，除了因为跳过 Prefill 计算之外，你还知道其他原因吗？”

如果你回答“用了什么压缩技术吧”，恭喜你，出门右拐回家等通知吧。

为什么？

因为面试官真正想让你回答的是：缓存命中之所以便宜，不只是因为跳过了 Prefill 计算，更因为 V4 的注意力机制把 KV Cache 的显存占用压到了 V3 的 7%，存储成本断崖式下降。

我翻了 DeepSeek V4 的技术报告、vLLM 的技术博客，可以自信地、大方地、光明磊落地帮你搞清楚这两件事：

• V4 的 CSA 和 HCA 到底是怎么压缩 KV Cache 的？
• 这对我们开发者意味着什么？

哈喽大家好，我是二哥呀。今天用 3 分钟，给你讲清楚 DeepSeek V4 是怎么把 KV Cache 压缩到只有 V3 的 7% 的。

上期我们讲过，MLA 把每个 token 的 KV 数据压薄了，但每个 token 还是要存一份。100 万个 token，就是 100 万份，V3 大约要吃掉 84 GB 显存——一张顶配 H100 啊。

V4 换了思路：不只在单份数据上做文章，更直接减少要存的份数。主要靠两个新机制：CSA 和 HCA。

CSA，Compressed Sparse Attention，也就是压缩稀疏注意力。它负责做两件事。

第一件，压缩。每 4 个相邻的 token 合并成 1 份。于是 100 万份就减少到了 25 万份。

第二件，稀疏。通过一个索引器——你可以把它理解成书的目录——算注意力的时候，不是 25 万条全看，而是先给每条打分，只挑最相关的 512 条来计算。

HCA，Heavily Compressed Attention，重度压缩注意力。听名字就知道，比 CSA 压得更狠——每 128 个 token 合并成 1 份。100 万份减少到约 8000 份。

聪明的你可能会问：CSA 只挑 512 条，不怕漏掉关键信息吗？HCA 把 128 个 token 合并成一份，细节不都没了吗？

恰恰相反。

HCA 的每一份都装着一小段原文的大意，8000 份拼起来，整篇文档的骨架就有了，信息丢不了；CSA 则负责在细节里挑重点。一个保全局、一个看细节，互相兜底。

打个比方。CSA 是你写的课堂笔记——每 4 分钟记一段，复习的时候只翻跟考题相关的几页。HCA 是课程大纲——一节课浓缩成一句话，随时能查看整个学期讲了什么。

两套机制一叠加，V4 Flash 的 KV Cache 就只有 V3 的 7%。

那聪明的你肯定又要问了：7% 对我们开发者有什么用？

同一张 GPU 卡，显存是固定的，同时跑的每个请求都要占一块显存。以前一百万个 token 的请求就能吃掉一整张卡，现在只占个零头，意味着一张卡能同时服务十几个请求。这也是 V4 敢把上下文窗口默认开到 100 万的底气。

哪怕涨了价，V4 Flash 高峰期的未命中价格，在百万 token 上下文这个量级下，依然非常有竞争力。

最后简单总结下。

上期讲了 V4 为什么要换掉 MLA，这期讲的是接棒的 CSA 和 HCA 怎么把 KV Cache 压到 7%。

这个知识点你学废了吗？想解锁更多 AI 硬核知识，点赞关注，我是二哥，咱们下期见！