执行摘要

• 一句话：为 ROCm Dockerfile 的 curl 添加网络重试，提升构建稳定性
• 推荐动作：该 PR 值得快速浏览，作为部署脚本稳定性改进的参考。虽不涉及核心逻辑，但 --retry-all-errors 与固定重试次数的组合值得借鉴，可在其他依赖外部网络下载的 CI 脚本中推广。

功能与动机

在 docker/rocm.Dockerfile 的 TileLang 构建层，存在未配置重试机制的 curl 命令，近期两次 ROCm nightly 构建在同一命令上因瞬时网络问题失败（DNS 解析失败、TCP 连接失败）。这些失败并非代码回归——同一提交在其他矩阵分支构建成功，且此前 20 次运行中有 19 次通过。PR 作者明确说明动机是消除构建基础设施中的偶发网络故障，避免误导性失败。

实现拆解

1. 定位变更入口：仅修改 docker/rocm.Dockerfile 一个文件，未涉及源码或测试。
2. 统一添加 curl 重试参数：为文件中所有 8 处 curl 命令追加 --retry 5 --retry-delay 3 --retry-all-errors。这些命令分布于多个构建阶段，包括：
   • ROCm repo key 下载（https://repo.radeon.com/rocm/rocm.gpg.key）
   • Rust 工具链安装（https://sh.rustup.rs）
   • LLVM 快照 key 下载（https://apt.llvm.org/llvm-snapshot.gpg.key）
   • AMD AINIC repo key 下载（同样来自 rocm.gpg.key）
3. 参数语义：--retry 5 设置最多重试 5 次，--retry-delay 3 设置重试间隔 3 秒，--retry-all-errors 使 curl 对所有可重试错误（包括 DNS 解析失败、连接失败等）进行重试，而非仅网络层错误。
4. 无其他配套改动：没有测试、文档、schema 或部署相关的配套变更，因为该改动仅影响 Docker 构建过程。

关键文件：

• docker/rocm.Dockerfile（模块 Docker；类别 infra；类型 infrastructure）: 唯一变更文件，为所有 curl 命令添加网络重试参数，直接解决 ROCm nightly 构建的瞬时网络故障。

关键符号：未识别

关键源码片段

docker/rocm.Dockerfile

唯一变更文件，为所有 curl 命令添加网络重试参数，直接解决 ROCm nightly 构建的瞬时网络故障。

# docker/rocm.Dockerfile (TileLang 层 )
# 为 LLVM 快照 key 下载添加重试参数，避免 DNS/ 连接瞬时故障导致构建失败
curl -fsSL --retry 5 --retry-delay 3 --retry-all-errors \
  https://apt.llvm.org/llvm-snapshot.gpg.key | gpg --dearmor \
  -o /etc/apt/keyrings/llvm.gpg; \
​
echo "deb [signed-by=/etc/apt/keyrings/llvm.gpg] http://apt.llvm.org/jammy/ llvm-toolchain-jammy-18 main" \
  > /etc/apt/sources.list.d/llvm.list; \
apt-get update; \
apt-get install -y --no-install-recommends llvm-18; \

# docker/rocm.Dockerfile (Rust 工具链层 )
# 保留原有安全传输参数，并追加重试参数，确保 rustup 安装更稳定
RUN curl --proto '=https' --tlsv1.2 --retry 5 --retry-delay 3 --retry-all-errors \
  -sSf https://sh.rustup.rs | sh -s -- -y \
&& rustc --version && cargo --version
ENV CARGO_BUILD_JOBS=4

评论区精华

本次 PR 无 review 评论，仅由维护者 HaiShaw 直接批准。可能因为该改动简单直接，无争议点，且风险极低。

• 暂无高价值评论线程

风险与影响

• 风险：本 PR 仅增加 curl 重试参数，风险极低。潜在风险包括：重试可能掩盖真实网络配置问题（如代理、防火墙），但 --retry-all-errors 仅针对可重试的瞬时错误，且重试次数有限；最坏情况下 CI 构建时间可能因重试而略有延长，但实际发生概率低、影响可忽略。
• 影响：
  • 用户侧：无任何功能影响，模型输出与推理速度不变。
  • 系统侧：提升 ROCm 镜像构建的稳定性和可重入性，减少因瞬时网络导致的不必要失败，降低维护成本。
  • 团队侧：CI 更可靠，减少人工重跑请求。
  • 风险标记：基础设施变更, 无功能性影响, 重试参数可能掩盖持久网络问题

关联脉络

• PR #35756 [Docker] Defer CUDA 13 NCCL override until after dependency resolution: 同属 Docker 构建稳定性优化，均为提升 ROCm/CUDA 镜像构建的可靠性。
• PR #35750 [CI] Gate /rerun-test on commenter trust and remove /rerun-stage: 涉及 CI 重跑机制优化，与本 PR 的构建稳定性改进目标一致，反映团队对 CI 运维体验的持续关注。
• PR #35600 Add CI permissions for four contributors: 同为 CI 基础设施调整，共同构成近期 CI 与构建稳定性改进的系列工作。