Firebase Tools v14 版本中 Artifact Registry 清理策略部署问题解析
问题背景
在 Firebase Tools v14 版本中,许多开发者在使用 GitHub Actions 部署 Next.js 应用时遇到了一个共同的问题:部署过程中 Firebase CLI 会尝试自动设置 Artifact Registry 的清理策略,但即使服务账户拥有足够权限,这一操作仍会失败并导致整个部署流程中断。
问题现象
当开发者使用 Firebase Tools v14 进行部署时,虽然应用构建和函数部署都能成功完成,但在最后阶段会出现以下错误提示:
Error: Functions successfully deployed but could not set up cleanup policy in location us-central1. Pass the --force option to automatically set up a cleanup policy or run 'firebase functions:artifacts:setpolicy' to manually set up a cleanup policy.
这个错误会导致 CI/CD 流程以失败状态退出,即使实际部署已经成功完成。
技术分析
Artifact Registry 清理策略的作用
Artifact Registry 是 Google Cloud 提供的容器镜像存储服务。Firebase Functions 在部署时会生成容器镜像并存储在 Artifact Registry 中。清理策略可以自动删除旧的镜像,避免存储空间被无用镜像占用而产生额外费用。
问题根源
经过开发者社区的深入讨论和测试,发现这个问题主要与以下因素有关:
-
权限验证逻辑:Firebase CLI v14 在验证清理策略时存在逻辑缺陷,即使策略已设置或服务账户有足够权限,仍会错误地报告失败。
-
CI/CD 环境差异:在 GitHub Actions 等 CI 环境中,服务账户的权限验证方式可能与本地环境不同,导致策略设置失败。
-
版本兼容性:v14 版本引入的新特性与现有部署流程存在兼容性问题。
解决方案
临时解决方案
-
降级到 v13 版本: 许多开发者报告降级到 firebase-tools@13.35.1 可以解决此问题:
npm install -g firebase-tools@13.35.1 -
手动设置清理策略: 在部署前手动设置清理策略:
firebase functions:artifacts:setpolicy --location us-central1 --project PROJECT_ID --days 7 -
使用 --force 参数: 在部署命令中添加 --force 参数:
firebase deploy --force -
GitHub Actions 工作流中添加策略设置步骤: 在 GitHub Actions 工作流中添加专门的步骤来设置清理策略。
官方修复
Firebase 团队已经意识到这个问题,并在后续版本中进行了修复:
- 将错误信息改为警告信息,避免中断 CI/CD 流程
- 修复了权限验证逻辑,确保正确识别已设置的清理策略
最佳实践建议
-
明确设置清理策略:建议在项目初始化阶段就明确设置 Artifact Registry 的清理策略,避免依赖自动设置。
-
权限配置:确保服务账户拥有 Artifact Registry Admin 和 Firebase Admin 权限。
-
版本控制:在 CI/CD 流程中固定 firebase-tools 的版本,避免自动升级带来的意外问题。
-
监控存储使用:即使设置了清理策略,也应定期检查 Artifact Registry 的存储使用情况。
总结
这个问题展示了在云服务自动化工具升级过程中可能遇到的兼容性挑战。Firebase 团队已经响应社区反馈并提供了修复方案。对于开发者而言,理解底层服务(如 Artifact Registry)的工作原理,掌握问题排查方法,能够更高效地解决类似问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00