Digger项目中GitHub计划存储问题的分析与解决
问题背景
在Digger项目的使用过程中,用户报告了一个关于GitHub计划存储功能的问题。具体表现为:当用户配置了upload-plan-destination: github后,digger plan命令能够成功执行并生成计划文件,但在后续执行digger apply时却无法检索到存储的计划文件,系统报错"stored plan does not exist"。
问题现象
从用户提供的日志和截图可以看出:
digger plan成功执行并上传了名为"plans-.zip"的工件(artifact)- 工件大小约为24KB,显示上传过程本身没有异常
- 但在
digger apply阶段,系统无法找到存储的计划文件
问题根源分析
经过深入分析,发现问题的核心在于GitHub工件的命名机制。正常情况下,Digger应该生成类似"plans-{{prNumber}}"格式的工件名称(如"plans-11.zip")。但在用户案例中,工件名称缺少了PR编号部分,变成了简单的"plans-.zip"。
进一步调查发现,这是由于GitHub上下文环境变量获取方式的问题导致的。在用户的环境中,工作流是通过GitHub应用的workflow_dispatch触发的,而不是通过标准的pull_request或issue_comment事件触发。因此,GitHub上下文环境中缺少github.event.issue.number和github.event.number这两个关键变量,导致无法正确构造包含PR编号的工件名称。
解决方案演进
-
初步排查:开发团队首先建议用户回退到v0.3.18版本进行测试,以确认是否是v0.3.19版本引入的变更导致的问题。测试结果表明问题在多个版本中都存在,排除了特定版本引入问题的可能性。
-
深入分析:通过检查代码,团队发现工件名称构造依赖于GitHub的上下文变量,而这些变量在特定触发方式下不可用。
-
最终解决:在Digger的后续版本(v0.4.X系列)中,团队对计划存储机制进行了改进,最终在v0.4.6版本中彻底解决了这个问题。用户升级后确认问题已修复。
技术启示
这个案例揭示了在GitHub Actions中处理工件时需要注意的几个关键点:
-
上下文变量可用性:不同触发方式下,GitHub提供的上下文变量会有所不同。开发时需要充分考虑各种触发场景。
-
工件命名策略:对于需要跨工作流或跨步骤引用的工件,应采用稳定、可预测的命名方案。
-
兼容性设计:当依赖特定事件触发的工作流被其他方式触发时,应有适当的回退机制或错误处理。
最佳实践建议
对于使用Digger或其他类似工具的开发团队,建议:
- 保持工具版本更新,及时获取问题修复和新功能
- 在自定义工作流触发方式时,注意检查所有依赖的上下文变量
- 对于关键操作如计划存储,考虑添加验证步骤确保工件正确生成
- 在复杂场景下,可以启用调试日志获取更详细的问题诊断信息
这个问题从报告到解决的过程,展示了开源社区协作解决问题的典型模式,也体现了Digger团队对用户体验的重视和快速响应能力。
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