执行摘要

• 一句话：添加基于Modal的Slurm日志分析工具，自动化CI失败调试。
• 推荐动作：值得精读，展示了如何将AI工具集成到CI/CD流水线中，特别是安全处理和错误恢复的设计决策，可作为基础设施自动化的参考案例。

功能与动机

根据PR body描述，夜间GB200工作流会保存失败日志作为tarball，但缺乏自动化分析工具。此变更使这些tarball可操作，提供重复的方式解压日志、使用结构化调试提示分析，并输出简明的后分析报告。

实现拆解

1. 创建日志分析脚本：新增 scripts/ci/slurm/analyze_logs_with_modal.py，实现日志上传、Modal沙箱构建和AI分析调用。关键函数包括 sanitize（安全清理API密钥）、extract_tarball（解压日志）、build_sandbox_image（构建沙箱镜像），确保安全性和可重复性。
2. 提供分析提示：新增 scripts/ci/slurm/log_analysis_prompt.md，定义AI分析日志的优先级顺序（如先读sweep日志）和输出格式，指导Claude Code进行结构化分析，避免噪声干扰。
3. 集成到CI工作流：修改 .github/workflows/nightly-72-gpu-gb200.yml，在失败时添加步骤调用分析脚本，使用GitHub secrets传递Modal凭证，并将分析结果输出到Step Summary，实现自动化故障诊断。
4. 安全与完善：通过提交历史迭代，添加sanitize函数防止API密钥泄露，修复输出处理逻辑，并迁移到新版Modal API，确保工具稳定性和安全性。

关键文件：

• scripts/ci/slurm/analyze_logs_with_modal.py（模块 CI脚本；类别 infra；类型 infrastructure；符号 sanitize, configure_logging, extract_tarball, parse_args）: 核心分析脚本，实现日志上传、Modal集成、安全清理和AI调用，是整个工具的主要入口。
• scripts/ci/slurm/log_analysis_prompt.md（模块 CI脚本；类别 docs；类型 documentation）: AI分析提示文件，定义日志分析的步骤、优先级和输出格式，确保分析结果结构化。
• .github/workflows/nightly-72-gpu-gb200.yml（模块 工作流配置；类别 infra；类型 infrastructure）: 集成分析工具到夜间工作流，实现失败时自动调用，提升CI自动化水平。

关键符号：sanitize, configure_logging, extract_tarball, parse_args, build_sandbox_image, prepare_log_dir, build_prompt, upload_tree

关键源码片段

scripts/ci/slurm/analyze_logs_with_modal.py

核心分析脚本，实现日志上传、Modal集成、安全清理和AI调用，是整个工具的主要入口。

def sanitize(text: str) -> str:
    """清理API密钥和秘密信息，防止泄露到日志中。"""
    if not text:
        return text
    # 使用正则表达式匹配常见API密钥模式（如sk-、ak-开头）
    sanitized = _SECRET_PATTERN.sub("[REDACTED]", text)
    # 额外清理已知环境变量中的秘密值，增强安全性
    for var in ("OPENROUTER_API_KEY", "MODAL_TOKEN_ID", "MODAL_TOKEN_SECRET"):
        val = os.environ.get(var)
        if val and len(val) > 8:
            sanitized = sanitized.replace(val, "[REDACTED]")
    return sanitized

评论区精华

没有review讨论，但提交历史显示从初始实现到完善安全功能（如添加sanitize函数）的演进，表明对安全风险的关注。

• 暂无高价值评论线程

风险与影响

• 风险：安全风险：sanitize函数可能漏掉某些密钥模式，导致敏感信息泄露到CI日志中。性能风险：Modal调用可能引入额外延迟，影响CI流程执行时间。外部依赖：工具依赖Modal服务和opencode模型，若服务不可用或模型变更，可能导致分析失败或结果不一致。
• 影响：对工程师：减少手动调试时间，加速故障定位，提升工作效率。对CI系统：增加自动化分析能力，但可能因外部依赖增加运行不稳定风险。对团队：提升运维效率，但需要维护新工具和监控其依赖性。
• 风险标记：安全泄露风险, 外部依赖风险

关联脉络

• PR #22899 ci: add issue filing and suspect PR identification to log analyzer: 同属CI日志分析工具增强系列，补充了自动提Issue功能，与本PR共同完善故障处理流程。