尧图网页设计 
这里写自定义目录标题欢迎使用Markdown编辑器一、大模型推理的瓶颈在哪里二、vLLM 的两大核心技术三、从零部署一个 vLLM 服务生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能丰富你的文章UML图表流程图FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好 这是你第一次使用# vLLM 推理部署与性能优化实战从原理到生产调优一、大模型推理的瓶颈在哪里当模型训练完成、权重就绪之后真正的挑战才刚刚开始——如何让模型在合理的延迟和成本内对外提供服务。大模型推理与训练是两套完全不同的工程问题训练追求吞吐可以容忍长时间的批处理推理追求低延迟每个请求都希望尽快拿到结果但 GPU 的算力极其昂贵空转就是浪费。推理性能的核心矛盾在于内存与算力的不平衡。以常见的 7B 参数模型为例模型权重约占 14GB 显存但真正让系统吃紧的是 KV Cache——注意力机制需要缓存历史 Token 的 Key 和 Value 向量用于生成下一个 Token。在长上下文、高并发的场景下KV Cache 的显存占用可以轻松超过模型权重本身。传统推理框架在处理高并发时还有一个致命问题内存碎片化。每个请求的 KV Cache 需要连续的内存空间请求长度不断变化内存反复分配和释放导致大量碎片。更糟的是多个请求无法共享计算——每来一个请求就要重新预填充一遍GPU 利用率极低。这些系统级的问题单靠换更好的显卡是解决不了的必须从推理框架层面做架构创新。二、vLLM 的两大核心技术vLLM 之所以成为当前最主流的大模型推理框架靠的是两个关键设计PagedAttention 和连续批处理。PagedAttention把虚拟内存的思想搬进显存。传统框架为每个请求的 KV Cache 分配连续内存而 vLLM 借鉴操作系统虚拟内存的设计把 KV Cache 划分为固定大小的页Page通过页表动态映射物理显存。这带来了三个直接收益一是弹性扩展序列长度增加时只需分配新页无需整体搬迁内存利用率提升数倍二是零拷贝共享多个请求共享相同的前缀上下文时可以直接复用同一批页例如多轮对话中每轮都带完整历史共享机制能省下大量显存三是碎片率大幅下降从传统方案的 15% 以上降到 2% 以下。连续批处理让 GPU 一刻不停。传统批处理是凑满一批、同步推理、一起结束最短的请求也要等最长的请求完成GPU 大量空转。vLLM 的连续批处理Continuous Batching打破了这种同步模型一个请求生成了最后一个 Token 就立即退出批次新请求随时补位加入GPU 的算力始终被占满。在混合负载场景下这种调度策略能把 GPU 利用率从 45% 左右提升到 78% 以上吞吐量的提升是数量级的。三、从零部署一个 vLLM 服务部署 vLLM 服务比想象中简单。环境方面需要 CUDA 11.8 和 PyTorch 2.0然后一行命令安装pipinstallvllm启动一个 OpenAI 兼容的服务端点vllm serve Qwen/Qwen2.5-7B-Instruct\--tensor-parallel-size1\--max-model-len8192\--gpu-memory-utilization0.9\--served-model-name qwen7b 启动后服务暴露一个 OpenAI 兼容的 REST API客户端代码零改动即可接入python from openaiimportOpenAI clientOpenAI(base_urlhttp://localhost:8000/v1,api_keyEMPTY)respclient.chat.completions.create(modelqwen7b,messages[{role:user,content:你好介绍一下你自己}],streamTrue,# 流式输出)几个关键启动参数值得理解--max-model-len控制上下文窗口上限设置过大会预留大量 KV Cache 空间导致并发能力下降--gpu-memory-utilization控制显存使用比例--tensor-parallel-size指定跨卡张量并行的显卡数量。## 四、性能调优的实战清单部署跑通只是第一步生产环境的性能调优才是真正的硬功夫。以下优化项按收益从高到低排列 **第一启用量化压缩模型。** 把模型从 FP16 量化到 INT8 甚至 INT4显存占用直接减半甚至减到四分之一。量化方式上GPTQ 适合离线量化后部署AWQ 在保留精度方面表现更均衡。以 7B 模型为例量化后单卡可容纳的并发请求数可能翻倍。代价是精度略有损失需要在你的业务数据上验证输出质量。 **第二合理配置批处理参数。**--max-num-batched-tokens控制单批次的最大 Token 数需要根据 GPU 显存实测调整一般从4096起步逐步上探。值太小时批处理优势发挥不出来太大时容易触发显存溢出。 **第三多 GPU 张量并行。** 当模型单卡放不下或者需要更高吞吐时用--tensor-parallel-size把模型切分到多张卡。70B 级别的模型建议2到4卡并行卡间用 NVLink 互联时通信开销最低。 **第四接入前缀缓存。** 对话、Agent 场景中每个请求都携带长长的历史前缀。启用自动前缀缓存后相同前缀的预填充计算被复用TTFT首 Token 延迟和整体成本都显著下降。 **第五权衡延迟与吞吐。** 追求极致延迟时减小批处理规模、优先保证单个请求的速度追求吞吐时加大批处理、牺牲部分延迟。生产系统通常用 P99 延迟和总吞吐两个指标一起评估找到业务可接受的平衡点。 **第六关注长上下文场景的显存规划。** KV Cache 的需求随上下文长度线性增长长上下文如 Agent 工作流、长文档分析场景下KV Cache 常常成为显存瓶颈。除了量化 KV Cache 精度还可以评估 KV Cache Offload 方案把部分缓存放到远端存储或 CPU 内存用带宽换容量。## 五、生产架构从单实例到服务集群单个 vLLM 实例无论如何调优吞吐总有上限。生产环境需要的是集群化部署。 **多实例 负载均衡。** 运行多个 vLLM 实例每个实例加载模型权重、处理部分请求前面用 Nginx 或云负载均衡器分发流量。实例数量根据 QPS 和单实例吞吐动态调整。 **自动扩缩容。** 基于 GPU 利用率或 QPS 指标用 Kubernetes HPA 自动增减实例。高峰扩容、低谷缩容是控制推理成本的核心手段。 **异步客户端。** 高并发场景下客户端必须使用异步请求asyncio / aiohttp同步阻塞的客户端会成为整个系统的吞吐瓶颈。 **监控与告警。** 至少监控三个指标GPU 利用率判断批处理效率、TTFT 与 TPOT判断延迟表现、请求排队长度判断容量是否饱和。任何指标异常都要有对应的告警和预案。## 六、典型场景的配置参考不同业务场景对推理服务的诉求差异很大给出三组经过实践验证的参考配置帮助你建立直觉。 **对话类应用追求低延迟。** 场景特征请求短、交互频繁、用户对首字返回敏感。推荐配置7B 级模型 INT8 量化单卡部署--gpu-memory-utilization0.9批处理 Token 上限控制在4096以内开启前缀缓存提升多轮对话的复用率。目标是 TTFT 控制在数百毫秒内。 **Agent / RAG 应用长上下文、工具调用。** 场景特征上下文长度常达数万 TokenKV Cache 压力大。推荐配置优先选择 KV Cache 占用更低的模型架构显存按权重 峰值 KV Cache预留必要时启用 KV Cache 量化或 Offload 方案同时严格控制批处理的 Token 上限防止长请求挤占全部显存导致其他请求排队。 **离线批量生成追求吞吐。** 场景特征请求量大、不要求实时返回。推荐配置加大批处理 Token 上限、使用量化模型换取更大并发、必要时多卡张量并行延迟指标不再重要全力拉满吞吐单位 Token 成本降到最低。 这三组配置的共同点是先明确场景的优先指标再围绕指标做针对性配置而不是套用一套通用模板。## 七、从部署到运维的思考最后分享几条运维层面的经验。第一模型版本管理要制度化每次换模型权重都要记录版本、性能基线、兼容性验证结果否则线上出问题无法回退。第二压测不能省上线前用真实的请求分布做压测摸清实例的吞吐天花板和延迟拐点容量规划才有依据。第三为推理服务预留隔离空间vLLM 的显存是独占的不要让其他任务与推理服务抢同一块 GPU。 vLLM 这类推理框架的价值在于把如何在有限显存里塞进更多请求、如何让 GPU 一刻不闲这两个系统级问题变成了工程化的标准答案。对于绝大多数团队来说与其自研推理引擎不如把精力放在用好这些成熟工具上——选对参数、做对规划、建好监控让推理基础设施成为业务的坚实底座而不是技术表演的舞台。 **Markdown编辑器** 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。## 新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客1. **全新的界面设计** 将会带来全新的写作体验2. 在创作中心设置你喜爱的代码高亮样式Markdown **将代码片显示选择的高亮样式** 进行展示3. 增加了 **图片拖拽** 功能你可以将本地的图片直接拖拽到编辑区域直接展示4. 全新的 **KaTeX数学公式** 语法5. 增加了支持**甘特图的mermaid语法[^1]** 功能6. 增加了 **多屏幕编辑** Markdown文章功能7. 增加了 **焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置** 等功能功能按钮位于编辑区域与预览区域中间8. 增加了 **检查列表** 功能。[^1]:[mermaid语法说明](https://mermaid.js.org/intro/)## 功能快捷键撤销kbdCtrl/Command/kbdkbdZ/kbd重做kbdCtrl/Command/kbdkbdY/kbd加粗kbdCtrl/Command/kbdkbdB/kbd斜体kbdCtrl/Command/kbdkbdI/kbd标题kbdCtrl/Command/kbdkbdShift/kbdkbdH/kbd无序列表kbdCtrl/Command/kbdkbdShift/kbdkbdU/kbd有序列表kbdCtrl/Command/kbdkbdShift/kbdkbdO/kbd检查列表kbdCtrl/Command/kbdkbdShift/kbdkbdC/kbd插入代码kbdCtrl/Command/kbdkbdShift/kbdkbdK/kbd插入链接kbdCtrl/Command/kbdkbdShift/kbdkbdL/kbd插入图片kbdCtrl/Command/kbdkbdShift/kbdkbdG/kbd查找kbdCtrl/Command/kbdkbdF/kbd替换kbdCtrl/Command/kbdkbdG/kbd## 合理的创建标题有助于目录的生成直接输入1次kbd#/kbd并按下kbdspace/kbd后将生成1级标题。输入2次kbd#/kbd并按下kbdspace/kbd后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。## 如何改变文本的样式*强调文本* _强调文本_ **加粗文本** __加粗文本__标记文本~~删除文本~~引用文本 H~2~O is是液体。2^10^ 运算结果是1024.## 插入链接与图片链接:[link](https://www.csdn.net/). 图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。## 如何插入一段漂亮的代码片去[博客设置](https://mp.csdn.net/console/configBlog)页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.javascript // An highlighted block var foobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。1注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。注脚的解释 ↩︎ vLLM 推理部署与性能优化实战：从原理到生产调优
这里写自定义目录标题欢迎使用Markdown编辑器一、大模型推理的瓶颈在哪里二、vLLM 的两大核心技术三、从零部署一个 vLLM 服务生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能丰富你的文章UML图表流程图FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好 这是你第一次使用# vLLM 推理部署与性能优化实战从原理到生产调优一、大模型推理的瓶颈在哪里当模型训练完成、权重就绪之后真正的挑战才刚刚开始——如何让模型在合理的延迟和成本内对外提供服务。大模型推理与训练是两套完全不同的工程问题训练追求吞吐可以容忍长时间的批处理推理追求低延迟每个请求都希望尽快拿到结果但 GPU 的算力极其昂贵空转就是浪费。推理性能的核心矛盾在于内存与算力的不平衡。以常见的 7B 参数模型为例模型权重约占 14GB 显存但真正让系统吃紧的是 KV Cache——注意力机制需要缓存历史 Token 的 Key 和 Value 向量用于生成下一个 Token。在长上下文、高并发的场景下KV Cache 的显存占用可以轻松超过模型权重本身。传统推理框架在处理高并发时还有一个致命问题内存碎片化。每个请求的 KV Cache 需要连续的内存空间请求长度不断变化内存反复分配和释放导致大量碎片。更糟的是多个请求无法共享计算——每来一个请求就要重新预填充一遍GPU 利用率极低。这些系统级的问题单靠换更好的显卡是解决不了的必须从推理框架层面做架构创新。二、vLLM 的两大核心技术vLLM 之所以成为当前最主流的大模型推理框架靠的是两个关键设计PagedAttention 和连续批处理。PagedAttention把虚拟内存的思想搬进显存。传统框架为每个请求的 KV Cache 分配连续内存而 vLLM 借鉴操作系统虚拟内存的设计把 KV Cache 划分为固定大小的页Page通过页表动态映射物理显存。这带来了三个直接收益一是弹性扩展序列长度增加时只需分配新页无需整体搬迁内存利用率提升数倍二是零拷贝共享多个请求共享相同的前缀上下文时可以直接复用同一批页例如多轮对话中每轮都带完整历史共享机制能省下大量显存三是碎片率大幅下降从传统方案的 15% 以上降到 2% 以下。连续批处理让 GPU 一刻不停。传统批处理是凑满一批、同步推理、一起结束最短的请求也要等最长的请求完成GPU 大量空转。vLLM 的连续批处理Continuous Batching打破了这种同步模型一个请求生成了最后一个 Token 就立即退出批次新请求随时补位加入GPU 的算力始终被占满。在混合负载场景下这种调度策略能把 GPU 利用率从 45% 左右提升到 78% 以上吞吐量的提升是数量级的。三、从零部署一个 vLLM 服务部署 vLLM 服务比想象中简单。环境方面需要 CUDA 11.8 和 PyTorch 2.0然后一行命令安装pipinstallvllm启动一个 OpenAI 兼容的服务端点vllm serve Qwen/Qwen2.5-7B-Instruct\--tensor-parallel-size1\--max-model-len8192\--gpu-memory-utilization0.9\--served-model-name qwen7b 启动后服务暴露一个 OpenAI 兼容的 REST API客户端代码零改动即可接入python from openaiimportOpenAI clientOpenAI(base_urlhttp://localhost:8000/v1,api_keyEMPTY)respclient.chat.completions.create(modelqwen7b,messages[{role:user,content:你好介绍一下你自己}],streamTrue,# 流式输出)几个关键启动参数值得理解--max-model-len控制上下文窗口上限设置过大会预留大量 KV Cache 空间导致并发能力下降--gpu-memory-utilization控制显存使用比例--tensor-parallel-size指定跨卡张量并行的显卡数量。## 四、性能调优的实战清单部署跑通只是第一步生产环境的性能调优才是真正的硬功夫。以下优化项按收益从高到低排列 **第一启用量化压缩模型。** 把模型从 FP16 量化到 INT8 甚至 INT4显存占用直接减半甚至减到四分之一。量化方式上GPTQ 适合离线量化后部署AWQ 在保留精度方面表现更均衡。以 7B 模型为例量化后单卡可容纳的并发请求数可能翻倍。代价是精度略有损失需要在你的业务数据上验证输出质量。 **第二合理配置批处理参数。**--max-num-batched-tokens控制单批次的最大 Token 数需要根据 GPU 显存实测调整一般从4096起步逐步上探。值太小时批处理优势发挥不出来太大时容易触发显存溢出。 **第三多 GPU 张量并行。** 当模型单卡放不下或者需要更高吞吐时用--tensor-parallel-size把模型切分到多张卡。70B 级别的模型建议2到4卡并行卡间用 NVLink 互联时通信开销最低。 **第四接入前缀缓存。** 对话、Agent 场景中每个请求都携带长长的历史前缀。启用自动前缀缓存后相同前缀的预填充计算被复用TTFT首 Token 延迟和整体成本都显著下降。 **第五权衡延迟与吞吐。** 追求极致延迟时减小批处理规模、优先保证单个请求的速度追求吞吐时加大批处理、牺牲部分延迟。生产系统通常用 P99 延迟和总吞吐两个指标一起评估找到业务可接受的平衡点。 **第六关注长上下文场景的显存规划。** KV Cache 的需求随上下文长度线性增长长上下文如 Agent 工作流、长文档分析场景下KV Cache 常常成为显存瓶颈。除了量化 KV Cache 精度还可以评估 KV Cache Offload 方案把部分缓存放到远端存储或 CPU 内存用带宽换容量。## 五、生产架构从单实例到服务集群单个 vLLM 实例无论如何调优吞吐总有上限。生产环境需要的是集群化部署。 **多实例 负载均衡。** 运行多个 vLLM 实例每个实例加载模型权重、处理部分请求前面用 Nginx 或云负载均衡器分发流量。实例数量根据 QPS 和单实例吞吐动态调整。 **自动扩缩容。** 基于 GPU 利用率或 QPS 指标用 Kubernetes HPA 自动增减实例。高峰扩容、低谷缩容是控制推理成本的核心手段。 **异步客户端。** 高并发场景下客户端必须使用异步请求asyncio / aiohttp同步阻塞的客户端会成为整个系统的吞吐瓶颈。 **监控与告警。** 至少监控三个指标GPU 利用率判断批处理效率、TTFT 与 TPOT判断延迟表现、请求排队长度判断容量是否饱和。任何指标异常都要有对应的告警和预案。## 六、典型场景的配置参考不同业务场景对推理服务的诉求差异很大给出三组经过实践验证的参考配置帮助你建立直觉。 **对话类应用追求低延迟。** 场景特征请求短、交互频繁、用户对首字返回敏感。推荐配置7B 级模型 INT8 量化单卡部署--gpu-memory-utilization0.9批处理 Token 上限控制在4096以内开启前缀缓存提升多轮对话的复用率。目标是 TTFT 控制在数百毫秒内。 **Agent / RAG 应用长上下文、工具调用。** 场景特征上下文长度常达数万 TokenKV Cache 压力大。推荐配置优先选择 KV Cache 占用更低的模型架构显存按权重 峰值 KV Cache预留必要时启用 KV Cache 量化或 Offload 方案同时严格控制批处理的 Token 上限防止长请求挤占全部显存导致其他请求排队。 **离线批量生成追求吞吐。** 场景特征请求量大、不要求实时返回。推荐配置加大批处理 Token 上限、使用量化模型换取更大并发、必要时多卡张量并行延迟指标不再重要全力拉满吞吐单位 Token 成本降到最低。 这三组配置的共同点是先明确场景的优先指标再围绕指标做针对性配置而不是套用一套通用模板。## 七、从部署到运维的思考最后分享几条运维层面的经验。第一模型版本管理要制度化每次换模型权重都要记录版本、性能基线、兼容性验证结果否则线上出问题无法回退。第二压测不能省上线前用真实的请求分布做压测摸清实例的吞吐天花板和延迟拐点容量规划才有依据。第三为推理服务预留隔离空间vLLM 的显存是独占的不要让其他任务与推理服务抢同一块 GPU。 vLLM 这类推理框架的价值在于把如何在有限显存里塞进更多请求、如何让 GPU 一刻不闲这两个系统级问题变成了工程化的标准答案。对于绝大多数团队来说与其自研推理引擎不如把精力放在用好这些成熟工具上——选对参数、做对规划、建好监控让推理基础设施成为业务的坚实底座而不是技术表演的舞台。 **Markdown编辑器** 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章了解一下Markdown的基本语法知识。## 新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持除了标准的Markdown编辑器功能我们增加了如下几点新功能帮助你用它写博客1. **全新的界面设计** 将会带来全新的写作体验2. 在创作中心设置你喜爱的代码高亮样式Markdown **将代码片显示选择的高亮样式** 进行展示3. 增加了 **图片拖拽** 功能你可以将本地的图片直接拖拽到编辑区域直接展示4. 全新的 **KaTeX数学公式** 语法5. 增加了支持**甘特图的mermaid语法[^1]** 功能6. 增加了 **多屏幕编辑** Markdown文章功能7. 增加了 **焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置** 等功能功能按钮位于编辑区域与预览区域中间8. 增加了 **检查列表** 功能。[^1]:[mermaid语法说明](https://mermaid.js.org/intro/)## 功能快捷键撤销kbdCtrl/Command/kbdkbdZ/kbd重做kbdCtrl/Command/kbdkbdY/kbd加粗kbdCtrl/Command/kbdkbdB/kbd斜体kbdCtrl/Command/kbdkbdI/kbd标题kbdCtrl/Command/kbdkbdShift/kbdkbdH/kbd无序列表kbdCtrl/Command/kbdkbdShift/kbdkbdU/kbd有序列表kbdCtrl/Command/kbdkbdShift/kbdkbdO/kbd检查列表kbdCtrl/Command/kbdkbdShift/kbdkbdC/kbd插入代码kbdCtrl/Command/kbdkbdShift/kbdkbdK/kbd插入链接kbdCtrl/Command/kbdkbdShift/kbdkbdL/kbd插入图片kbdCtrl/Command/kbdkbdShift/kbdkbdG/kbd查找kbdCtrl/Command/kbdkbdF/kbd替换kbdCtrl/Command/kbdkbdG/kbd## 合理的创建标题有助于目录的生成直接输入1次kbd#/kbd并按下kbdspace/kbd后将生成1级标题。输入2次kbd#/kbd并按下kbdspace/kbd后将生成2级标题。以此类推我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。## 如何改变文本的样式*强调文本* _强调文本_ **加粗文本** __加粗文本__标记文本~~删除文本~~引用文本 H~2~O is是液体。2^10^ 运算结果是1024.## 插入链接与图片链接:[link](https://www.csdn.net/). 图片:带尺寸的图片:居中的图片:居中并且带尺寸的图片:当然我们为了让用户更加便捷我们增加了图片拖拽功能。## 如何插入一段漂亮的代码片去[博客设置](https://mp.csdn.net/console/configBlog)页面选择一款你喜欢的代码片高亮样式下面展示同样高亮的代码片.javascript // An highlighted block var foobar;生成一个适合你的列表项目项目项目项目1项目2项目3计划任务完成任务创建一个表格一个简单的表格是这么创建的项目Value电脑$1600手机$12导管$1设定内容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一个文本转换工具主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如原始符号转换后说明引号“引号”直引号变弯引号单引号‘单引号’直单引号变弯单引号--–两个连字符变短破折号---—三个连字符变长破折号...…三个点变省略号创建一个自定义列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何创建一个注脚一个具有注脚的文本。1注释也是必不可少的Markdown将文本转换为HTML。KaTeX数学公式您可以使用渲染LaTeX数学表达式 KaTeX:Gamma公式展示Γ ( n ) ( n − 1 ) ! ∀ n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n−1)!∀n∈N是通过欧拉积分Γ ( z ) ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞tz−1e−tdt.你可以找到更多关于的信息LaTeX数学表达式here.新的甘特图功能丰富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成进行中计划一计划二现有任务Adding GANTT diagram functionality to mermaid关于甘特图语法参考 这儿,UML图表可以使用UML图表进行渲染例如下面产生的一个序列图王五李四张三王五李四张三李四想了很长时间, 文字太长了不适合放在一行.你好李四, 最近怎么样?你最近怎么样王五我很好谢谢!我很好谢谢!打量着王五...很好... 王五, 你怎么样?关于UML图表语法参考 这儿,流程图链接长方形圆圆角长方形菱形关于Mermaid语法参考 这儿,FLowchart流程图我们依旧会支持flowchart.js的流程图语法Created with Raphaël 2.3.0开始我的操作确认结束yesno关于Flowchart流程图语法参考 这儿.导出与导入导出如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出生成一个.md文件或者.html文件进行本地保存。导入如果你想加载一篇你写过的.md文件在上方工具栏可以选择导入功能进行对应扩展名的文件导入继续你的创作。注脚的解释 ↩︎