执行摘要

• 一句话：AMD PR 门禁切换至 ROCm 7.2，7.0 降为每日影子
• 推荐动作：该 PR 值得精读，尤其是 CI 门禁迁移策略、shadow 套件设计、任务归类和超时调整的实践。关注点：
  1) 从 7.0 重新生成 7.2 工作流以减少漂移的做法值得借鉴；
  2) 通过拆分 PR（如 Triton 安装）解耦风险和依赖；
  3) 将慢速夜间任务纳入 PR 门禁但缩短超时并修复退出码掩盖问题。

功能与动机

PR body 指出 ROCm 7.2 是 AMD 的发展方向，但 PR 门禁、夜间测试、发布裁剪和 CI 报告仍默认 ROCm 7.0，需要统一默认并保留 7.0 作为回退 shadow。提交记录中也提到 DeepSeek-V4 回归只能在次日被发现，且 Pro 任务在定时运行中退出 0 掩盖失败。

实现拆解

1. 重新生成 pr-test-amd-rocm720.yml 作为 PR 门禁：从 pr-test-amd.yml 重新生成，归一化 job id、--rocm-version rocm720、额外套件 rocm_version 和两个 DeepSeek-V4 任务，恢复 runner_arch 及按架构区分的超时和任务名。
2. 将 pr-test-amd.yml 降级为每日 17:30 UTC 的 ROCm 7.0 shadow：移除 pull_request 触发，与 nightly-test-amd.yml 协同触发，并移除所有 max-parallel 限制以追求覆盖率。
3. DeepSeek-V4 任务纳入 stage-C 门禁：stage-c-dsv4-flash-fp4-fp8-amd-mi35x-rocm720 和 stage-c-dsv4-pro-fp4-amd-mi35x-rocm720，超时从 300/480 分钟降至 60 分钟，并修复 Pro 任务在定时运行时吞掉退出码的问题。
4. 路由默认 AMD 路径至 7.2：release-branch-cut.yml、bot-bump-sglang-version.yml 调用 7.2 夜间套件；amd-ci-job-monitor.yml 和 ci_failures_analysis.py 默认报告 7.2，7.0 显式命名为 shadow。
5. 配套脚本调整：amd_ci_install_dependency.sh 根据容器 HIP 版本决定是否安装 AITER 固定的 Triton；query_job_status.py 默认 workflow 改为 pr-test-amd-rocm720.yml；pr-test-amd-extra.yml 默认 rocm_version 改为 rocm720。

关键文件：

• .github/workflows/pr-test-amd-rocm720.yml（模块 CI 工作流；类别 infra；类型 infrastructure）: 成为 AMD PR 门禁的核心工作流，从 7.0 版本重新生成并归一化差异，新增 DeepSeek-V4 任务和 runner_arch 支持。
• scripts/ci_monitor/ci_failures_analysis.py（模块 CI 监控；类别 source；类型 core-logic；符号 SGLangFailuresAnalyzer, get_recent_runs）: CI 失败分析脚本默认 workflow 从 7.0 切到 7.2，并补充排除 7.2 teardown 任务，确保报告反映门禁栈。
• scripts/ci/amd/amd_ci_install_dependency.sh（模块 安装脚本；类别 infra；类型 infrastructure）: 根据容器 HIP 版本决定是否安装 AITER 的 Triton，解决 ROCm 7.2 基础镜像 Triton 不匹配问题，并在 setup.py 之前前置安装以避免吞错。
• .github/workflows/pr-test-amd.yml（模块 CI 工作流；类别 infra；类型 infrastructure）: 降级为 ROCm 7.0 每日 shadow，移除 pull_request 触发和 max-parallel 限制，成为门禁的回退验证。
• .github/workflows/amd-ci-job-monitor.yml（模块 CI 工作流；类别 infra；类型 infrastructure）: CI 监控报告默认改为 7.2，7.0 显式命名为 Shadow，避免监控混淆两个栈。
• scripts/ci/utils/query_job_status.py（模块 CI 工具；类别 infra；类型 infrastructure；符号 main）: 查询脚本默认 workflow 改为 7.2，避免手动执行时误查 7.0 数据。
• .github/workflows/pr-test-amd-extra.yml（模块 CI 工作流；类别 infra；类型 infrastructure）: 额外套件默认 rocm_version 改为 rocm720，并显式传递 --rocm-version，确保 PR 事件下使用 7.2 容器。

关键符号：未识别

关键源码片段

scripts/ci_monitor/ci_failures_analysis.py

CI 失败分析脚本默认 workflow 从 7.0 切到 7.2，并补充排除 7.2 teardown 任务，确保报告反映门禁栈。

# 核心变更：排除 7.2 teardown 任务，避免将其误判为失败
self.excluded_jobs = [
    "check-changes",
    "pr-test-finish", # Nvidia workflow teardown
    "pr-test-amd-finish", # AMD workflow teardown（ROCm 7.0 shadow）
    "pr-test-amd-rocm720-finish", # 默认 AMD ROCm 7.2 teardown
    "call-gate",
    "pr-gate",
    "check-all-jobs",
]
​
# 所有 AMD workflow 过滤统一指向 7.2 门禁
pr_test_amd_scheduled_runs = analyzer.get_recent_runs(
    limit=pr_test_scheduled_limit,
    workflow_filter=["pr-test-amd-rocm720.yml"],
    filters={"branch": "main"},
)

scripts/ci/amd/amd_ci_install_dependency.sh

根据容器 HIP 版本决定是否安装 AITER 的 Triton，解决 ROCm 7.2 基础镜像 Triton 不匹配问题，并在 setup.py 之前前置安装以避免吞错。

# 根据镜像 HIP 版本决定是否安装 AITER 的 Triton（ROCm 7.0 用基础镜像自带版）
IMAGE_HIP_VERSION=$(docker exec ci_sglang python3 -c 'import torch; print(torch.version.hip or "")')
case "${IMAGE_HIP_VERSION}" in
  7.0*) INSTALL_AITER_TRITON="false" ;;
  7.*) INSTALL_AITER_TRITON="true" ;;
  *)
    echo "[CI-AITER-CHECK] ERROR: Unsupported or empty HIP version: '${IMAGE_HIP_VERSION}'"
    exit 1
    ;;
esac
​
# 重建 AITER 前先装 Triton：setup.py 会吞错误，放在这里可 fail closed
if [[ "${INSTALL_AITER_TRITON}" == "true" ]]; then
  docker exec ci_sglang bash -c "
    set -euo pipefail
    cd /sgl-workspace/aiter
    test -f .github/scripts/install_triton.sh
    bash .github/scripts/install_triton.sh
  "
fi

评论区精华

该 PR 无 review 评论。唯一审核人 HaiShaw APPROVED。提交记录中体现了多次设计权衡，例如：将 Triton 安装拆分为独立 PR #34364，避免镜像变更阻塞门禁切换；DeepSeek-V4 任务名增加所属 stage 和 runner 标识，提升可观测性；AITER Triton 安装前置，避免 setup.py 吞错导致静默失败。

• 暂无高价值评论线程

风险与影响

• 风险：风险点包括：
  1) pr-test-amd-rocm720.yml 之前作为非门禁 side workflow 已漂移，重新生成后仍需验证是否与现有 PR 覆盖一致；
  2) ROCm 7.0 shadow 不再有 PR 门禁，若 7.0 回归将延迟到每日感知；
  3) DeepSeek-V4 任务纳入 PR 门禁后，每次 PR 增加约 18 分钟 × 2 任务成本，linux-mi35x-gpu-8 峰值并发从 3 升至 5，可能加剧 GPU runner 资源竞争；
  4) ci_failures_analysis.py 将默认 workflow 指向 7.2，若 7.2 出现系统性崩溃，分析报告可能失真；
  5) amd_ci_install_dependency.sh 根据 HIP 版本决策 Triton 安装，若基础镜像变化可能产生误判。
  • 影响：影响范围：AMD CI 基础设施、CI 监控报告、发布流程、版本 bump 机器人验证链路。对开发者：AMD PR 门禁覆盖 ROCm 7.2，新增两个 DeepSeek-V4 任务；对系统：GPU runner 并发压力增加，7.0 降级为每日 shadow，回退能力保留但响应变慢；对团队：需要关注 7.2 门禁的稳定性，若 7.2 不稳定需快速回切。
  • 风险标记：核心 CI 门禁变更, GPU 并发压力增加, ROCm 7.0 降级为每日 shadow, 依赖 AITER Triton 安装逻辑

关联脉络

• PR #34324 unknown: PR body 提到拾取了 #34324 的 stage-C max-parallel: 2 变更，说明该 PR 与 34324 在同一 CI 工作流有耦合。
• PR #34364 unknown: 提交记录提到将 ROCm 7.2 Triton 安装拆分为 #34364，本 PR 只做门禁切换，两者相互独立。