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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00