Actions Runner Controller 中 GitHub App Client ID 认证问题解析
在部署 Actions Runner Controller 的 Runner Scale Set 时,许多用户遇到了一个认证问题:当尝试使用 GitHub App 的 Client ID 而非 App ID 进行身份验证时,系统会抛出 strconv.ParseInt 解析错误。这一问题源于控制器内部对 GitHub App 标识符类型的严格限制。
问题背景
GitHub 官方文档明确指出,开发者可以使用 GitHub App 的 Client ID 或 App ID 作为 JWT 令牌中的 iss 参数。近期 GitHub 还鼓励开发者优先使用 Client ID 进行认证,并在应用配置页面提供了相关提示。然而,Actions Runner Controller 0.9.3 至 0.11.0 版本中,控制器代码始终将 GitHub App 标识符视为整数类型进行处理,强制调用 ParseInt 方法进行转换。
技术细节分析
GitHub App 的两种标识符存在本质区别:
- App ID:纯数字形式,如 123456
- Client ID:采用 "Iv1." 前缀的字母数字组合,如 "Iv1.8a8f7d6c5b4a3b2c"
当用户在 Kubernetes Secret 中配置 github_app_id 参数时,若填入 Client ID,控制器会尝试将其解析为整数,导致类型转换失败。错误日志中明确显示:"strconv.ParseInt: parsing "[Client ID]": invalid syntax"。
解决方案
目前官方尚未发布支持 Client ID 的版本,开发者可采用以下临时解决方案:
-
获取正确的 App ID:
- 登录 GitHub 组织设置页面
- 找到目标 GitHub App 的配置项
- 从 URL 或应用信息中提取纯数字的 App ID
-
创建 Kubernetes Secret 时确保使用数字形式的 App ID:
apiVersion: v1 kind: Secret metadata: name: github-auth-secret type: Opaque stringData: github_app_id: "123456" # 使用数字App ID github_app_installation_id: "789012" gh_app_private_key: | -----BEGIN RSA PRIVATE KEY----- ...
影响范围
这一问题影响所有尝试使用 GitHub App Client ID 进行认证的 Runner Scale Set 部署场景。虽然使用 App ID 可以暂时规避问题,但随着 GitHub 逐步推荐使用 Client ID,长期来看控制器需要适配这种变化。
开发者建议
对于需要长期稳定运行的生产环境,建议:
- 暂时继续使用 App ID 进行认证
- 关注 Actions Runner Controller 的版本更新
- 在测试环境中验证新版本对 Client ID 的支持情况
- 考虑在 CI/CD 流程中加入版本兼容性检查
该问题的修复将涉及控制器核心认证逻辑的修改,需要确保向后兼容性,同时支持两种标识符格式。开发团队需要更新相关文档,明确说明支持的认证标识符类型及其格式要求。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00