执行摘要
- 一句话：修复CI失败分析脚本，仅使用最近运行数据避免旧runner干扰，并添加失败job列表用于调试。
- 推荐动作：建议负责CI基础设施或监控的工程师精读此PR，重点关注数据范围缩小的设计权衡（如何平衡历史覆盖与性能），以及新增失败记录功能的实现细节，以借鉴于类似监控脚本优化。
功能与动机
根据PR body描述，当前runner状态分析使用了过去100次nightly和PR测试运行的通用数据（"general runs"），这会渲染可能已被移除的旧runners（"renders old runners that may have been removed"），同时缺乏针对特定runner的详细调试信息。因此，需要缩小数据范围以避免历史数据干扰，并列出所有在给定runner上失败的jobs以辅助调试（"for easier runner-specific debugging"）。
实现拆解
实现方案主要包括两个部分：数据源调整和增强输出。首先，在 scripts/ci_monitor/ci_failures_analysis.py 中修改 runner_runs 变量，从使用通用运行数据切换到使用预过滤的计划运行数据（即最近6次nightly计划和12次PR计划运行），以减少历史数据处理量。其次，在 analyze_runner_health 函数中添加 runner_instance_all_failures 和 runner_instance_all_failures_in_streak 字典，用于记录每个runner的所有失败信息；在 generate_job_section_md 函数中更新Markdown输出表格，新增 "Failed Jobs" 列并调整表头以显示所有失败job列表。
关键文件：
scripts/ci_monitor/ci_failures_analysis.py（模块 CI Monitoring）: 唯一变更文件，包含核心CI失败分析逻辑，实现了数据源调整和失败记录增强，直接影响runner健康分析的准确性和输出。
关键符号：analyze_runner_health, generate_job_section_md
评论区精华
review中仅有一个来自gemini-code-assist[bot]的评论，它肯定了变更的逻辑性和改进（"The change is logical and improves the script's focus."）。没有其他讨论或争议点，变更被快速接受。评论指出数据源变更避免了处理过多历史数据，从而提高了脚本的执行速度和相关性。
- 数据源变更和改进评估 (design): 变更被接受为逻辑和有益，无争议或修改建议。
风险与影响
- 风险：技术风险包括：1）数据源变更风险：从过去100次运行缩减到最近18次计划运行，可能导致某些历史失败模式被遗漏，影响分析完整性（例如，如果runner故障在更早时期发生）。2）输出格式变动：更新Markdown表格可能影响下游工具或文档的解析兼容性（如更改了列名和数据结构）。3）性能权衡：虽然减少数据处理量可能提升执行速度，但需确保新数据范围足够覆盖典型CI问题。风险点集中在文件
scripts/ci_monitor/ci_failures_analysis.py 的数据筛选逻辑和输出生成部分。
- 影响：对用户（工程师）影响：提供更聚焦的runner健康数据和详细失败job列表，便于快速调试CI故障，提升开发体验。对系统影响：CI失败分析脚本运行更高效，减少不必要的数据处理开销；但需监控分析准确性是否因数据缩减而下降。对团队影响：改进CI基础设施的维护效率，与其他CI优化PR协同提升整体稳定性。影响范围限于CI监控模块，程度为中等。
- 风险标记：数据源变更风险, 输出格式变动
关联脉络
- PR #21800 [Misc] Tiny: Add test network timeouts and dynamic max-parallel for 5090/2-gpu runners: 关联原因：同为CI优化相关PR，涉及提升CI稳定性和性能，共享ci和infra标签，体现了仓库在近期持续改进CI基础设施的趋势。
- PR #21778 Cache nvidia wheels locally to skip repeated 830 MB downloads in CI: 关联原因：同为CI效率改进PR，通过缓存机制减少CI运行时间，与本PR的数据处理优化目标一致，共同提升CI系统整体性能。
参与讨论