执行摘要

• 一句话：AMD CI 缓存挂载改为可选
• 推荐动作：该 PR 是一个典型的 CI 基础设施优化，设计清晰，通过环境变量控制行为具有良好的可扩展性。值得关注的点包括：ENABLE_CACHE_HOST 的多值 case 处理设计、重型任务的筛选逻辑、以及 review 中提到的 AITER 缓存未配置问题。建议阅读 scripts/ci/amd/amd_ci_start_container.sh 中 case 块的实现，以及 workflow 中添加环境变量的模式。总体变更简单，但为 AMD CI 的缓存策略提供了灵活基础。

功能与动机

当前所有 AMD CI 任务都强制挂载 /sgl-data PVC，但并非所有任务都需要如此大的缓存。PR 旨在让 PVC 挂载变为可选，仅对缓存密集型任务启用，从而减少对 PVC 的依赖，提高 CI 基础设施的弹性。PR body 指出：'make AMD CI /sgl-data PVC mounting opt-in via ENABLE_CACHE_HOST - keep /sgl-data as the container cache path, but use container-local storage by default - enable the PVC mount only for selected heavy AMD CI jobs'。

实现拆解

实现分为以下步骤：

1. 容器启动脚本改造（scripts/ci/amd/amd_ci_start_container.sh）：引入 ENABLE_CACHE_HOST 环境变量，通过 case 语句支持多种取值（1/true/yes/on/pvc/persistent）。当设置为启用时，检查缓存目录是否存在（若不存在则报错退出），并挂载 -v $CACHE_HOST:/sgl-data；当设置为禁用或未设置时，传递空卷轴，容器使用本地存储。同时增加帮助信息输出，提示该环境变量的用途。容器启动后，通过 docker exec 创建 /sgl-data 下的四个子目录：hf-cache/hub、pip-cache、miopen-cache、aiter-kernels。

2. Nightly 工作流启用：在 .github/workflows/nightly-test-amd-rocm720.yml 和 .github/workflows/nightly-test-amd.yml 中，为重型任务（DeepSeek-V、Kimi-K2.6、Qwen3、MiniMax-M2.7/2.5 等）的 amd_ci_start_container.sh 步骤添加 ENABLE_CACHE_HOST: "1" 环境变量。非重型任务（如 Grok2、diffusion 等）保持不变，默认使用本地缓存。

3. PR 工作流部分启用：在 .github/workflows/pr-test-amd-rocm720.yml 中，仅对 ROCm 7.2 的两个 DeepSeek-V4 PR 测试任务添加 ENABLE_CACHE_HOST: "1"，重用 DeepSeek-V4 的缓存。

4. 测试与验证：通过 bash -n 检查脚本语法，Python 解析 YAML 确认每个启用任务的正确性，并验证无 grok2 任务错误启用 PVC 挂载。

关键文件：

• scripts/ci/amd/amd_ci_start_container.sh（模块 CI脚本；类别 infra；类型 infrastructure）: 核心变更文件，实现了 ENABLE_CACHE_HOST 环境变量的解析和 PVC 挂载逻辑的开关控制。
• .github/workflows/nightly-test-amd-rocm720.yml（模块 CI工作流；类别 infra；类型 infrastructure）: 为 ROCm 7.2 nightly 的重型任务添加 ENABLE_CACHE_HOST: "1"，共计 22 处添加。
• .github/workflows/nightly-test-amd.yml（模块 CI工作流；类别 infra；类型 infrastructure）: 为 AMD nightly 的重型任务添加 ENABLE_CACHE_HOST: "1"，共计 19 处添加。
• .github/workflows/pr-test-amd-rocm720.yml（模块 CI工作流；类别 infra；类型 infrastructure）: 为 ROCm 7.2 PR 的两个 DeepSeek-V4 测试任务添加 ENABLE_CACHE_HOST: "1"，共 2 处。

关键符号：未识别

关键源码片段

scripts/ci/amd/amd_ci_start_container.sh

核心变更文件，实现了 ENABLE_CACHE_HOST 环境变量的解析和 PVC 挂载逻辑的开关控制。

# 容器启动脚本片段：处理 ENABLE_CACHE_HOST 环境变量
CACHE_HOST=/home/runner/sglang-data
ENABLE_CACHE_HOST="${ENABLE_CACHE_HOST:-0}"
​
# 支持多种形式的启用 / 禁用取值，实现 opt-in 机制
case "${ENABLE_CACHE_HOST,,}" in # 转为小写后匹配
  1|true|yes|on|pvc|persistent)
    if [[ ! -d "$CACHE_HOST" ]]; then
      echo "Error: ENABLE_CACHE_HOST=1 but ${CACHE_HOST} does not exist." >&2
      exit 1 # 目录不存在时显式退出，避免静默失败
    fi
    CACHE_VOLUME="-v $CACHE_HOST:/sgl-data"
    echo "Mounting persistent CI data: ${CACHE_HOST} -> /sgl-data"
    ;;
  0|false|no|off|"")
    CACHE_VOLUME=""
    echo "Not mounting ${CACHE_HOST}; /sgl-data will be container-local."
    ;;
  *)
    echo "Error: unsupported ENABLE_CACHE_HOST='${ENABLE_CACHE_HOST}'" >&2
    echo "Use 1/true/pvc/persistent or 0/false/off." >&2
    exit 1
    ;;
esac
​
# 容器启动后初始化缓存子目录
docker exec ci_sglang mkdir -p \
  /sgl-data/hf-cache/hub \
  /sgl-data/pip-cache \
  /sgl-data/miopen-cache \
  /sgl-data/aiter-kernels

评论区精华

Review 中 gemini-code-assist[bot] 提出两条建议：

• 🟡 自动创建缓存目录：当 ENABLE_CACHE_HOST=1 但 /home/runner/sglang-data 不存在时，建议用 mkdir -p 自动创建而非直接报错，以提升用户友好性。该建议未被采纳（当前版本保持显式失败）。

• 🟡 AITER kernels 缓存未配置：容器内创建了 /sgl-data/aiter-kernels，但未向容器传递 TRITON_CACHE_DIR 或类似环境变量，导致该目录不会被 Triton 或 AITER 使用，缓存无法持久化。该问题未在本次 PR 中修复，需后续关注。

• 自动创建缓存目录的健壮性 (correctness): 未采纳，当前版本保持显式失败退出。

• AITER kernels 缓存未配置环境变量 (question): 未在本次 PR 中修复，需后续关注。

风险与影响

• 风险：
  1. 缓存目录不可用风险：若 ENABLE_CACHE_HOST=1 但指定目录不存在，脚本会直接退出（exit 1），可能导致 CI 任务中断。需确保对应节点上目录已预创建。
  2. AITER 缓存未生效：尽管创建了 /sgl-data/aiter-kernels 目录，但未配置环境变量指向该路径，编译过的 kernels 仍存于容器本地（如 ~/.triton/cache），无法通过 PVC 持久化，降低了缓存复用效果。
  3. 配置遗漏风险：新增的 10+ 个 ENABLE_CACHE_HOST: "1" 分布在三个 workflow 文件中，未来若增加新任务需手动添加，可能遗漏。
  4. 回归风险：默认行为从挂载 PVC 变为不挂载，会影响依赖 /sgl-data 预缓存的任务性能，但任务列表已仔细筛选。
     - 影响：对 AMD CI 基础设施的影响中等：重型任务继续享受缓存加速，轻型任务释放 PVC 资源。对用户无直接影响，因为只涉及 CI 配置。对团队维护成本略有增加，需关注新任务的缓存策略是否匹配。
     - 风险标记：CI配置变更, 缓存策略调整, 缺少TRITON_CACHE_DIR配置

关联脉络

• 暂无明显关联 PR