Datawhale和RadixArk（SGLang）联合发起了一个开源课程，目标…

Datawhale和RadixArk（SGLang）联合发起了一个开源课程，目标是从零开始手搓一个mini-sglang，最后对照真实SGLang源码吃透前沿优化，直至走通给SGLang提PR的全流程。 我昨天试了一下，以前用这些模型做推理，每次都要等半天，现在用这个课程，整个过程很流畅。 课程结构分四个Part： Part 0 - 编码伦理与开源精神；部署第一个SGLang服务 先立规矩再讲技术，这个安排很罕见也很有态度 Part I - LLM/推理/GPU/KV Cache/Benchmark五章概念 零代码零GPU门槛，建立prefill vs decode、compute-bound vs memory-bound、Roofline model的认知底座 Part II - 十章手搓mini-sglang 课程核心，「正确性→效率→服务化→调度→内存管理→扩展」的递进顺序 Part III - Attention后端、量化、分层缓存、DP Attention/EP/PP、PD分离 进入真实SGLang源码，摸前沿优化 Part IV - Cookbook部署、Profiling与Trace、PR工作流 最终目标是把学习者转化为SGLang的贡献者 项目地址：github.com/datawhalechina… 有个做游戏AI的朋友跟我说，这种对比测试，以前只有大厂才能做到。现在用这个课程，普通开发者也能体验到这种级别的性能。 我昨天用这个做了一个简单的游戏，以前可能要等半天，现在整个过程很流畅，没有那种卡壳的挫败感。 对于经常需要做游戏开发的人来说，这种体验确实能提升效率。特别是那些需要实时响应的应用，现在几秒钟就能搞定。 你平时用什么工具做游戏开发？有没有试过类似的对比测试？