27届大模型面试准备（六十七）：大模型推理编译与图优化工程——从计算图到高效内核本篇是"工程实战深化"的第 67 篇。前面我们写过推理引擎内核（A59：PagedAttention、调度器、显存管理）、注意力演进与 KV Cache（A36）、推理调度与弹性扩缩容（A66）。它们讨论的都是"运行时（runtime）"如何把已经存在的内核高效地排起来。但还有一个前置关卡经常被面试深挖：这些内核本身从哪来？ 为什么同一个 Transformer，用 torch.compile 能比 eager 模式快一倍，用 TensorRT-LLM 又能再快一截？答案在"编译期"——把计算图翻译成对硬