AI Coding，正在把存储推向前台

当AI Coding上下文动辄 128K、任务一跑数天，大量“算过的记忆”因存不下而被反复重算，“以存代算”正成为企业AI账单的关键。

文｜赵艳秋

编｜牛慧

很多人已经开始意识到，当AI Coding从“补全一行代码”走向“端到端完成任务”，它开始在改写AI推理基础设施

最直接的压力来自上下文长度。AI Coding是最典型的长上下文场景：以往8K已算长序列，现在64K是常态，128K往上才算得上“长”。一个任务可能持续数天，每一轮推理都要复用此前积累的信息。这些信息本已算好了结果，却常常因为存不下而被删除，等到下一轮需要时，再花算力重算一遍。于是，一笔越来越难忽视的重复计算开销浮出水面——而如何消除它，正在成为推理基础设施要解决的问题。

在华为全联接大会2026上，一位产品工程师说，从2024年公司开始讲长上下文和KV Cache时还属于少数派；到今年上半年，几乎所有存储厂商都在讲同一件事。

智能体真正落地之后，存储不再是后台角色。它能否留住这些“记忆”，直接影响着一家企业的AI账单。

01

一个人的三天，和800TB的记忆

陈工是某集团软件开发中心的开发者，团队有五百人，他是其中之一。

最近，他手上的任务是按照新规范，更新一个老系统的模块。他的开发模式和一年前已完全不同。过去是他写一段代码让AI补全，贴一段报错让AI找Bug；现在他和Agent协同工作，走的是规范驱动开发（SDD）流程——先做逆向，把老系统的结构还原出来；再采集和确认新需求；然后进入规约环节，让后面所有代码按同一套规范贯标；再后面是编程、测试，反复优化。

每一环的产物都要经他确认后，AI才能进入下一环。在某头部银行AI Coding场景里，典型轮次超过两百次，周期从一天到一周，单次上下文128K。

三天里，陈工几乎没有手写过代码。他的工作变成了定义问题、补充上下文、判断结果对不对。

这是开发的新模式。2026开发者生态系统调查显示，开发者代码里平均已有54%由AI生成，一年前还是28%；中国银行半年报披露，其智能研发助手月活用户超过一万人。变化更剧烈的是任务长度。AI研究组织METR的测试显示，智能体能独立完成的任务跨度，已从GPT-3 的约9秒，拉长到2026年Claude Opus 4.6的约12小时。

但新问题也随之而来：这些上下文，存不住。

AI Coding任务里，每一轮大约超过95%的内容是重复的——同一份规约、同一份接口定义、前面所有的讨论记录，每次几乎都是原封不动的。

而模型每读一遍上下文，都会在每一层网络算出K、V向量存下来，这就是KV Cache，它是模型的“阅读笔记”。有笔记，下一轮模型只读新增部分；没笔记，模型就要从头重算。

为什么笔记不都存下来？这是因为模型的笔记很占地方。比如在部分模型上，大约1000个Token的上下文，对应上百MB的KV Cache；一个128K的长序列，就是十几GB。如果团队500人，每人每天下发多个任务，任务要跑几天，笔记就得保存几天。在一个智谱GLM-5.3-flash的实测中，这样一个500人团队三天产生的KV Cache超过800TB。

而算力卡上的高带宽显存（HBM）是GB级的，加上服务器内存（DRAM），合起来也只有几十TB。800TB对几十TB，几乎是瞬间填满。装不下了，系统就先删掉旧的，腾给新的。

这里有一个关键指标叫命中率——一次新请求的上下文里，有多少比例能直接找到现成笔记，不必重算。陈工的会话95%都是老内容，命中率本该有95%。但笔记存不下、被删掉了，实测只有三成多。这意味着六成本可以直接取用的内容，每一轮都要重算一遍，浪费大量token。

实际上，token消耗的账，今年也开始第一次出现在金融机构的财务考核里。比如，招商银行2026年6月披露，截至5月底日均Token消耗已达330亿，工商银行两年内Token消耗增长近百倍。已有银行高层在年中总结会上直接提出，不能无休止地烧钱消耗Token，所有大模型和智能体应用都要建立投入产出比评估机制。

而在几乎所有大模型的定价体系里，命中缓存的输入Token和未命中的输入Token，是两个价钱。以DeepSeek V4-Flash的公开价格为例，命中是每百万Token0.0028 美元，未命中是 0.14 美元，相差50倍。

AI Coding原本应该是所有AI场景里命中率最高、最便宜的，现实中却最贵。这件事成为用户的一大痛点。

02

把记忆搬出显存

怎么把这些记忆留住？业界给出了三个选项

全放在GPU卡的HBM上：速度最快，但只有GB级容量，成本极高。HBM加服务器内存：能到TB级，面对800TB的需求，仍是杯水车薪，成本同样不友好。这两条路不只是贵，容量上限也卡住了命中率上限。

于是有了第三条路：HBM加内存再加外置存储，容量拉到PB级，还能继续扩展，单位成本最低。华为选的是第三条。

但一说到“外置存储”，做推理系统的人立刻会有疑问：从外部盘里取数据，会不会很慢？这个疑问是对的。要让这条路成立，得同时解决两件事——存储本身要够快，调度系统要够聪明。

首先要解决快的问题。KV Cache加载需要高带宽，取大模型的笔记动辄要把十几GB的文件，“一把”搬上来。HBM的带宽是每秒TB级，DRAM内存带宽也达到每秒几十GB。外置存储要当得起“第三级缓存”，带宽必须尽可能贴近内存水平。华为OceanStor A800单框提供500GB/s带宽、1.6PB可用容量，并支持Scale-out横向扩展。

华为推出的AI数据平台

这个高带宽是怎么实现的？先要有足够强的硬件打底，然后是架构上的创新，比如数控分离——过去CPU既要指挥数据往哪走，又要亲自搬数据；现在控制流归CPU，数据从DPU直通到SSD，路径更短，时延自然下来。

但存储这一端通路再宽，算力卡那段路如果变成羊肠小道，速度照样上不去。DataTurbo就是解决这一段的——它在AI服务器上部署DTFS客户端，配合OceanStor A800的DPU硬件卸载，绕过传统协议栈，让数据在内核态直通存储，甚至通过NDS能力直达NPU。核心是让存储500GB/s的高带宽真正发挥出来。

其次是调度。几百TB的KV Cache里，哪些该留在HBM，哪些该放内存，哪些该下沉到外部的SSD？什么时候取？怎么取？这需要一位“管理员”。华为去年发布并已开源了UCM（Unified Cache Manager，推理记忆数据管理器），就是在做这件事：

它首先识别冷却的KV Cache，从HBM逐级下沉到SSD，热数据则留在HBM中，温数据放内存。

然后UCM要决定谁能用。例如，Coding每一轮上下文开头一大段是固定的，只有末尾是新的。这段不变的开头叫前缀，可以一直留着反复用。UCM把它做在全局KV池，让所有节点乃至跨集群共用同一份KV Cache。500名开发者的任务虽然分散在不同服务器上，但A机器算过的前缀，请求落到B机器时也能命中。

最后它决定怎么取。 模型是一层一层往下算的，UCM也就一层一层地加载KV，在模型计算第N层时，把第N+1层的笔记取上来。就像厨师炒第一道菜时，助手已经去准备第二道菜的食材。取数的时间，就这样被藏进了模型处理新输入的时间里。

这两方面的配合，让命中率从三成多可以提升到九成以上，原本用于重复计算的算力被省了出来。首Token时延（TTFT）最大降低90%；假设原来首Token时延是10秒，一分钟机器只能响应6个请求；现在缩短到2秒，一分钟就能响应30个请求，算力没有增加，并发翻了五倍。每秒生成token数（TPS）加速50%到200%，同样的算力在单位时间内吐出更多Token。

单位时间产出的Token越多、能响应的请求越多，每个Token摊到的成本就越低。

03

一把尺子下，客户跑出来了数字

AI Coding成为大模型最大应用场景后，行业急需基准测试指引产业发展。

2026华为全联接大会上，信通院发布《大模型推理优化 AI Coding 场景基准测试》，华为OceanStor A800/A600首批通过认证。

该基准针对代码补全、长上下文、多轮 Agentic三大AI Coding推理优化场景制定评测标准，从开发体验、系统吞吐双维度评估。其中代码补全以TTFT、TPOP衡量时延；长上下文评估超大输入下吞吐与时延；多轮Agentic结合HumanEval/RepoBench/ SWE-bench数据集，采用TTFT、TPOT评估系统性能与输出质量。

与此同时，这套方案也在客户现网跑出了结果。

一家头部金融机构，它建了一套支撑全行关键业务代码开发的AI Coding助手，痛点和陈工一模一样，从代码补全走向规范驱动开发之后，轮次超过上百、周期一天到一周、上下文 128K，超过90%是重复计算，助手效率低，任务排队积压。

接入OceanStor A800存储和UCM之后，AI编程任务KV命中率从35%提升到92%。首Token时延从55.94秒降到4.24秒，降幅92%；每秒Token数从19493涨到41227，提升2.1倍。

另一个案例来自运营商。2026年9月，天津移动宣布与华为合作的AI推理加速方案实现全国运营商首个现网规模商用：OceanStor A800加昇腾910C集群，基于UCM技术实现KV Cache的高效复用。现网数据显示，在GLM-5.1、Kimi-K2.6、DeepSeek V4、Qwen等主流模型的64K、128K长序列场景下，单卡吞吐提升1.1至3倍，首Token时延降低30%至40%，Token推理成本降低30%，已用于对外Token服务。

这套方案还在医疗、制造、政务等多个行业落地，AI Coding是目前最典型的场景，也是客户最密集的切入点，不过场景也从AI Coding不断延伸。医疗机构科研过程的学术论文、证券公司研报分析、政府卷宗分析，都是同一类长上下文场景。

过去几年，AI基础设施围绕训练展开，存储一直是后台的配角。但当智能体开始干活，命中率、响应速度，开始影响财务考核的Token账单，尤其在长序列场景里，几百TB的"阅读笔记"，命中率是三成还是九成，背后是50倍的Token价差。AI Coding最先把这件事摆上了台面，留住记忆，就是省下算力。"以存代算"不再只是一个技术选项，而是每一家用AI写代码的企业都绕不开的一道必答题。