Qwen3-32B + vLLM 大模型服务部署与开发实战

本文以 Ubuntu 22.04、双 A40、vLLM 0.28.0 和 Qwen3-32B BF16 为基线，系统介绍通过 Docker 部署 vLLM 推理服务的方法，涵盖 GPU 与模型管理、Tensor Parallel、YaRN、Reasoning、Tool Calling、OpenAI-compatible API，以及 Python、Node.js 和 Streaming 调用。文章还讲解健康检查、性能指标、监控、常见故障、API 安全、模型切换与回滚，并强调容器运行不等于服务就绪、总耗时不等于 Decode 吞吐，以及模型、推理服务、SDK 和业务应用之间的职责边界，为构建可复用的大模型推理基础设施提供实践参考。