执行摘要

• 一句话：升级AMD ROCm Docker中Mooncake并启用多协议
• 推荐动作：该PR值得关注，特别是对AMD平台部署PD Disaggregation的团队，其多协议运行时选择的设计思路清晰，可参考。

功能与动机

旧版Mooncake缺少多协议传输支持，在USE_HIP=ON构建下仅支持XGMI，导致跨节点RDMA返回NotSupportedTransport错误。升级版本并启用多协议后，同一进程可自动根据对端选择传输协议，无需重建或手动切换。

实现拆解

1. 升级Mooncake版本与构建参数：在docker/rocm.Dockerfile中将MOONCAKE_COMMIT更新至01d1eb2a7ec37fd5e20a88573e9b4956e7846e9a，并在cmake命令中添加-DENABLE_MULTI_PROTOCOL=ON -DWITH_STORE=ON -DBUILD_UNIT_TESTS=OFF。其中BUILD_UNIT_TESTS=OFF用于规避Mooncake测试目标mp_transport_test因未启用CXL导致的链接错误。
2. 优化CI调试与设备配置：在两个CI工作流文件（pr-test-amd-rocm720.yml和pr-test-amd.yml）的disaggregation测试步骤中添加rocm-smi --showtopotype输出、Mooncake引擎的协议广告字符串检查、MC_LOG_LEVEL=TRACE和GLOG_logtostderr=1环境变量。同时将RDMA设备从自动检测所有HCA（rdma0..rdma7）硬编码为单个rdma0，以解决单节点1P1D测试中多设备导致P2P握手失败的问题。

关键文件：

• docker/rocm.Dockerfile（模块 部署脚本；类别 infra；类型 infrastructure）: 核心变更：升级Mooncake commit并添加多协议构建标志。
• .github/workflows/pr-test-amd-rocm720.yml（模块 CI配置；类别 infra；类型 infrastructure）: 为ROCm 7.2 CI添加调试日志、环境变量和RDMA设备固定。
• .github/workflows/pr-test-amd.yml（模块 CI配置；类别 infra；类型 infrastructure）: 为主AMD CI（ROCm 7.0）同步添加相同的调试日志、环境变量和RDMA设备固定。

关键符号：未识别

评论区精华

讨论主要集中在两部分：一是Mooncake自身测试编译失败（undefined reference to typeinfo for mooncake::CxlTransport），通过添加-DBUILD_UNIT_TESTS=OFF解决；二是单节点1P1D disagg测试中RDMA多设备导致P2P握手失败（received packet mismatch），最终固定为单个rdma0解决。

• Mooncake多协议构建链接错误 (correctness): 通过添加-DBUILD_UNIT_TESTS=OFF禁用测试编译。
• 单节点RDMA多设备P2P失败 (correctness): 将RDMA设备固定为单个rdma0。

风险与影响

• 风险：主要风险来自Mooncake版本升级可能引入新的bug或不兼容行为，但由于仅改动Docker构建参数和CI脚本，不涉及模型前向或内核代码，影响范围可控。CI中添加的硬编码rdma0可能在未来多NIC环境下需要重新评估，但当前仅用于单节点调试场景。
• 影响：对AMD ROCm用户影响较大：PD Disaggregation现在可以在多节点间通过RDMA传输KV，同一镜像同时支持XGMI和RDMA，简化部署。CI中添加的调试日志有助于未来排查相关问题，但设备固定可能掩盖部分环境问题。
• 风险标记：依赖外部仓库版本迭代, CI调试变化可能影响测试稳定性

关联脉络

• 暂无明显关联 PR