DeepSeek V4 采用 CSA + HCA 的混合注意力结构：CSA 通过低倍率压缩与 sparse top-k 检索保留长程历史，HCA 通过高倍率压缩提供全局上下文补充，再由 SWA 负责最近窗口内的精细建模。这种设计降低了长上下文推理的计算和显存压力，但也对推理系统提出了一个根本性的挑战：同一个 token 在不同 attention 路径里会对应完全不同的物理形态——最近窗口需要 raw KV，长历史被压缩成 C4 或 C128，C4 还要配合 indexer 做稀疏检索。如果继续把 KV Cache 当作一块连续 buffer 来管理，系统根本接不住这样的复杂度。阿里云 Tair KVCache 团队联合SGLang 社区，为 DeepSeek V4 构建了一套面向 Prefill 和 Decode 的分层缓存架构。实测在多轮对话场景下，Prefill 结合 HiCache 吞吐提升接近 3 倍；Decode 侧通过 HiSparse 分层 SparseAttention 机制，成功释放显存提升 5～10 倍 BatchSize。
本文分享了TMIC AI小新技术架构从定制化workflow到DeepAgent模式的架构改版实践。面对复杂问题需要跨模块协作、多步骤推理和动态参数识别的挑战，我们借鉴DeepAgent的核心设计思路（TodoList、SubAgent、Summary、FileSystem），实现了从"预设流程"到"AI自主决策"的转变。与此同时，我们还在DeepAgent的基础上针对业务场景做了创新性优化（Tree Action模式、SubAgent提速、异步Summary），显著提升了系统性能和效率。
在传统的移动端自动化体系中，Appium、UIAutomator 或基于 ADB 的脚本方案是绝对的主流。然而，作为在这个领域摸爬滚打多年的高级开发者，我们深知这些方案的痛点：强依赖 PC 宿主机、跨设备通信的 Socket 延迟、极易受 USB 线缆和网络波动影响的脆弱稳定性。当我们面对“高频、脱机、大规模集群”的 RPA（机器人流程自动化）需求时，传统外控方案往往显得力不从心。为此，本项目探索了一条完全不同的道路：彻底抛弃 PC 控制端，将大脑（逻辑控制）与手脚（事件注入）全部封装进 Android 设备本地。本文将剥开外壳，通过核心逻辑的源码级解构，带你走过这条充满坑与算计的“端侧自动化”之路，并客观剖析其当下面临的致命缺陷，以及结合 AI 的未来演进。
