执行摘要

• 一句话：调整 Docker 构建顺序，修复 CUDA 13 NCCL 冲突导致构建失败
• 推荐动作：该 PR 属于典型的构建依赖顺序修复，逻辑清晰，值得快速精读以理解 Dockerfile 中依赖安装顺序的重要性。无需深入审查风险，但可作为 Docker 多阶段构建和依赖约束处理的参考资料。

功能与动机

CUDA 13 开发镜像构建在安装开发包和 runai-model-streamer 时失败（参考 CI 链接）。原因是 PyTorch 2.13 要求 nvidia-nccl-cu13==2.29.7，但 Dockerfile 先前在生成 constraints.txt 之前强制安装了 2.30.7，导致约束与 Torch 元数据冲突，pip 解析后续包时大量回溯，最终出现看似无关的 Matplotlib 构建失败。

实现拆解

1. 移除早期 NCCL 覆盖：在 docker/Dockerfile 的 CUDA 13 分支中，删除了在安装开发依赖后就执行 pip install --force-reinstall --no-deps nvidia-nccl-cu13==${SGL_NCCL_VERSION} 的步骤，避免在生成 constraints.txt 前引入过高版本。
2. 延迟覆盖至依赖解析后：在安装 runai-model-streamer 等受约束依赖之后，新增一个独立的 RUN 步骤，仅在 CUDA 13 下执行 NCCL 2.30.7 的覆盖安装，从而满足 DeepEP 运行时需求，同时不影响之前的依赖解析。
3. ARG 作用域修正：将 ARG SGL_NCCL_VERSION 从文件前部移到实际使用它的 stage 中（runtime stage），避免与其他 stage 的 ARG 冲突，并保留了对 NCCL_VERSION 环境变量的规避注释。
4. 保持 CUDA 12 行为不变：未改动 CUDA 12 相关的清理逻辑。
5. 验证：未添加自动化测试（仅 Dockerfile 顺序调整），但现有 Docker 元数据单元测试 7 个通过，pre-commit 检查通过，完整 CUDA 13 构建依赖 CI 验证。

关键文件：

• docker/Dockerfile（模块 部署脚本；类别 infra；类型 infrastructure）: 核心修改文件，调整了 NCCL 覆盖时机和 ARG 作用域，直接修复 CUDA 13 构建失败。

关键符号：未识别

关键源码片段

docker/Dockerfile

核心修改文件，调整了 NCCL 覆盖时机和 ARG 作用域，直接修复 CUDA 13 构建失败。

# 延迟 NCCL 覆盖到依赖解析之后，避免与 PyTorch 的 NCCL 约束冲突
# PyTorch 2.13 要求 nvidia-nccl-cu13==2.29.7，而 DeepEP 运行时需要 2.30.7
# 因此在生成 constraints.txt 并安装受约束依赖时保留 2.29.7，
# 待依赖解析完成后，再强制覆盖为 2.30.7。
RUN --mount=type=cache,target=/root/.cache/pip \
    if [ "${CUDA_VERSION%%.*}" = "13" ]; then \
        python3 -m pip install --force-reinstall --no-deps \
            "nvidia-nccl-cu13==${SGL_NCCL_VERSION}"; \
    fi
​
# 使用独立的 SGL_NCCL_VERSION ARG，避免与基础镜像中的 ENV NCCL_VERSION 冲突
# nvidia/cuda 基础镜像已设置 NCCL_VERSION（Debian apt 格式，如 2.28.3-1），
# 若同名 ARG 会在 RUN 中遮蔽，导致 pip 解析到无效的 PyPI 版本。
ARG SGL_NCCL_VERSION

评论区精华

本 PR 无 review 评论与讨论，因此没有可提炼的讨论内容。

• 暂无高价值评论线程

风险与影响

• 风险：本次改动仅调整 Docker 构建步骤顺序，不涉及运行时逻辑，风险较低。主要风险点在于：
  • 若 runai-model-streamer 等包在安装时意外依赖了 NCCL 2.30.7，可能导致安装失败（但原先也是先装后覆盖，行为一致）。
  • 新覆盖步骤在依赖解析后执行，若后续新增依赖对 NCCL 版本有要求，可能再次引入版本冲突。
  • 由于未在本地运行完整 CUDA 13 构建，实际构建成功与否依赖 CI 验证，存在一定不确定性。
  • 影响：影响范围仅限于 CUDA 13 开发镜像的构建过程，使用 CUDA 12 的构建流程完全不受影响。该修复解决了开发镜像构建失败的问题，对使用 CUDA 13 的开发者恢复构建能力有直接帮助；对生产运行时无影响，因为运行时 NCCL 版本仍为 2.30.7。
  • 风险标记：构建顺序变更, 依赖版本冲突, 未本地验证

关联脉络

• 暂无明显关联 PR