Docker Build-Push Action v6 与下载构建产物兼容性问题解析
在 Docker 生态系统中,build-push-action 是一个广泛使用的 GitHub Action,用于构建和推送 Docker 镜像。最新发布的 v6 版本引入了一项新功能——构建摘要(build summary)记录,这项功能会在构建过程中自动上传一个 .dockerbuild 文件作为 GitHub 工作流产物(artifact)。
问题现象
当用户将 build-push-action 升级到 v6 版本后,如果在后续步骤中使用 actions/download-artifact@v4 下载所有工作流产物时,会遇到下载失败的错误提示:"Unable to download artifact(s): Unable to download and extract artifact: Artifact download failed after 5 retries"。
问题根源
深入分析发现,问题的本质在于:
- build-push-action v6 默认会上传构建记录文件(
.dockerbuild),这是一个 gzip 压缩格式的文件 - actions/download-artifact@v4 在下载所有产物时,会尝试将所有产物当作 ZIP 文件处理
- 当遇到非 ZIP 格式的
.dockerbuild文件时,下载过程会反复重试并最终失败
解决方案
目前有三种可行的解决方案:
方案一:完全禁用构建摘要功能
通过设置环境变量 DOCKER_BUILD_NO_SUMMARY=true 可以完全禁用构建摘要功能,这样就不会上传 .dockerbuild 文件。
方案二:仅禁用构建记录上传
从 build-push-action v6.3.0 开始,可以通过设置 DOCKER_BUILD_RECORD_UPLOAD=false 来仅禁用构建记录上传,同时保留其他摘要功能。
方案三:精确指定下载的产物名称
在使用 actions/download-artifact@v4 时,明确指定需要下载的产物名称,避免自动下载所有产物。例如:
steps:
- uses: actions/download-artifact@v4
with:
name: your-specific-artifact-name
最佳实践建议
- 如果工作流中不需要构建摘要功能,建议完全禁用以减少不必要的产物上传
- 如果只需要部分摘要功能而不需要记录上传,使用方案二更为合适
- 在使用下载产物功能时,尽量明确指定产物名称,避免自动下载所有产物
- 定期检查 GitHub Action 的更新日志,了解新版本可能引入的兼容性变化
技术背景
GitHub Actions 的产物系统设计用于存储和共享工作流运行期间生成的文件。默认情况下,actions/download-artifact@v4 会尝试将所有产物当作 ZIP 文件处理,这是为了兼容大多数使用场景。然而,当遇到非 ZIP 格式的产物时,这种假设就会导致问题。
build-push-action v6 引入的构建摘要功能使用 gzip 格式存储构建记录,这是为了优化存储空间和传输效率。两种不同格式的冲突导致了兼容性问题。
未来展望
随着 GitHub Actions 生态系统的演进,预计会有更完善的机制来处理不同类型的产物格式。目前,用户需要根据实际需求选择合适的解决方案来规避兼容性问题。
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