执行摘要

• 一句话：AMD CI 合并为一对 workflow 并退役 ROCm 7.0
• 推荐动作：值得精读，尤其适合负责多硬件平台 CI 的工程师。三个设计点值得借鉴：一是用「单一 workflow + rocm_version matrix + 调度 cron 区分版本组合」替代「每版本一套 workflow」的重复布局，将约 3900 行重复配置收敛为一份；二是 _filter_legacy_amd_job_rows 的「历史 job 名识别 + 旧数据不污染当前 streak」的过滤策略，是 workflow 改名场景下的实用技巧；三是通过 fromJson 让上游 check-changes 输出版本数组、下游所有测试 job 统一展开矩阵的编排方式。NPU、Intel 等平台 CI 若面临类似的多版本多 workflow 重复问题，可直接复用此模式。

功能与动机

PR body 明确指出目标是 「Consolidate AMD workflows to one pair of yml files」 并 「Removes the duplicate ROCm 7.0 workflows」，让每个受支持的 ROCm 版本共用同一套标准 PR/Nightly 流程。Issue 评论中 michaelzhang-ai 补充了关键背景： 「Rocm7 is retired and still takes lots of computation resource」，即 ROCm 7.0 已不再需要维护，但其定时 Job 仍持续消耗 GPU 计算资源，因此需要尽快合并并释放资源。

实现拆解

实现按五个步骤完成，核心是「一套 workflow + rocm_version 矩阵」的架构替换原先「每版本一套 workflow」的重复布局：

1. 重写主 PR workflow（.github/workflows/pr-test-amd.yml）：workflow 名从「PR Test ROCm 7.0 (AMD)」改为「PR Test (AMD)」，新增 rocm_version 输入（all / rocm10 / rocm724 / rocm720，默认 rocm10）；调度 cron 改为 0 */12 * * * 每日两次跑 ROCm 10、30 17 * * * 每日一次跑 ROCm 7.2.4 与 7.2.0；check-changes job 新增 rocm_versions 输出，按事件类型推导版本数组；各测试 job（sgl-kernel-unit-test-amd、stage-a-test-1-gpu-small-amd、jit-kernel-unit-test-amd 等）全部改为 strategy.matrix + fromJson(needs.check-changes.outputs.rocm_versions) 展开，并把 --rocm-version 传给容器启动脚本。

2. 合并 Nightly workflow（.github/workflows/nightly-test-amd.yml）：吸收原 nightly-test-amd-rocm720.yml 的 2392 行内容，改为同一文件内按 rocm_version 矩阵跑 ROCm 10 / 7.2.4 / 7.2.0，同时删除重复的 nightly-test-amd-rocm720.yml 与 pr-test-amd-rocm720.yml（合计约 3900 行）。

3. 退役 ROCm 7.0 产物链：删除 release-docker-amd-nightly.yml（ROCm 7.0 专属镜像构建），并在 release-docker-amd.yml 的 matrix 与 rocm_tag 分支中移除 rocm700 选项，产品镜像从 8 个 flavor（含 7.0 双架构）减为 6 个（ROCm 10 / 7.2.4 / 7.2.0 × gfx942 / gfx950）。

4. 同步监控与分析配套：amd-ci-job-monitor.yml 删除 pr_rocm700_jobs / nightly_rocm700_jobs 两组矩阵报告 job，workflow 参数统一改写为 pr-test-amd.yml / nightly-test-amd.yml；scripts/ci_monitor/ci_failures_analysis.py 中 SGLangFailuresAnalyzer.main 的 workflow_filter 全部从 pr-test-amd-rocm720.yml / nightly-test-amd-rocm720.yml 切换为新文件名，同时扩展 _filter_legacy_amd_job_rows 的 legacy_callers 集合（新增 call-nightly-amd-rocm720 与 call-pr-test-amd-rocm720）并增加 rocm700 行跳过逻辑，防止旧名与历史行污染 streak 统计；对应测试文件 test_ci_failures_analysis.py 随之删除。

5. 周边引用与脚本更新：amd-aiter-scout.yml 由同时调用 4 个 workflow 简化为 2 个调用并传 rocm_version: all；scripts/ci/amd/amd_ci_start_container.sh 与 amd_ci_start_container_disagg.sh 增加 --rocm-version 参数支持指定镜像；pr-states.yml、release-branch-cut.yml、bot-bump-sglang-version.yml、pr-test-amd-extra.yml 与 .claude/skills/babysit-pr-to-pass-ci/SKILL.md 中的 workflow 文件名引用同步更新。

关键文件：

• .github/workflows/pr-test-amd.yml（模块 CI 流程；类别 infra；类型 infrastructure）: AMD CI 合并后的主入口 workflow，从 ROCm 7.0 影子流程升级为标准多版本矩阵流程，新增 rocm_version 输入、双 cron 调度与全 job 矩阵展开，是本次变更的核心载体。
• .github/workflows/nightly-test-amd.yml（模块 CI 流程；类别 infra；类型 infrastructure）: 合并后的 Nightly 主文件，吸收原 nightly-test-amd-rocm720.yml 的 2392 行内容并改为多版本矩阵，是 ROCm 10 / 7.2.4 / 7.2.0 旧版本回归的主阵地。
• scripts/ci_monitor/ci_failures_analysis.py（模块 CI 监控；类别 source；类型 core-logic；符号 _filter_legacy_amd_job_rows, SGLangFailuresAnalyzer.init, main）: CI 连续失败分析器的核心逻辑文件：workflow_filter 全部切换到新命名，_filter_legacy_amd_job_rows 扩展 legacy_callers 并新增 rocm700 历史行过滤，直接决定合并后 streak 统计的准确性。
• scripts/ci_monitor/test_ci_failures_analysis.py（模块 CI 监控；类别 test；类型 deletion；符号 TestFilterLegacyAmdJobRows, test_drops_legacy_names_and_nested_utilities, test_keeps_current_flavors_and_nested_callers_separate）: 随 ci_failures_analysis.py 过滤逻辑重构被整体删除的测试文件；其断言基于旧命名集合，已无法覆盖新的 legacy_callers 逻辑。
• .github/workflows/pr-test-amd-rocm720.yml（模块 CI 流程；类别 infra；类型 deletion）: 被退役的 ROCm 7.2 主 PR workflow，删除 1506 行；其全部能力收敛进合并后的 pr-test-amd.yml。
• .github/workflows/nightly-test-amd-rocm720.yml（模块 CI 流程；类别 infra；类型 deletion）: 被退役的 ROCm 7.2 Nightly workflow，删除 2392 行；是本次删除量最大的文件，其矩阵内容整体移入 nightly-test-amd.yml。
• .github/workflows/amd-ci-job-monitor.yml（模块 CI 监控；类别 infra；类型 infrastructure）: AMD CI 状态监控 workflow 的配套改造：删除两套 ROCm 7.0 影子报告 job 与输出，workflow 引用统一指向新文件。
• .github/workflows/amd-aiter-scout.yml（模块 CI 流程；类别 infra；类型 infrastructure）: 每周 AITER 回归从 4 个 workflow 调用简化为 2 个，通过 rocm_version: all 让下游矩阵自动展开三版本，是合并模式在 Scout 场景的直接体现。
• .github/workflows/release-docker-amd.yml（模块 镜像发布；类别 infra；类型 infrastructure）: 产品 Docker 镜像发布矩阵移除 rocm700，从 8 个 flavor 收敛为 6 个，是 ROCm 7.0 退役在发布链路上的落点。
• scripts/ci/amd/amd_ci_start_container.sh（模块 CI 脚本；类别 infra；类型 infrastructure）: CI 容器启动脚本新增 --rocm-version 参数，是 workflow 矩阵能按版本拉取镜像的关键配套改动。

关键符号：_filter_legacy_amd_job_rows, SGLangFailuresAnalyzer.get_recent_runs, SGLangFailuresAnalyzer.main

关键源码片段

scripts/ci_monitor/ci_failures_analysis.py

CI 连续失败分析器的核心逻辑文件：workflow_filter 全部切换到新命名，_filter_legacy_amd_job_rows 扩展 legacy_callers 并新增 rocm700 历史行过滤，直接决定合并后 streak 统计的准确性。

def _filter_legacy_amd_job_rows(job_data: Dict[str, Dict]) -> Dict[str, Dict]:
    """丢弃 AMD workflow 规范化前的旧 job 名，避免历史行污染当前 streak。"""
​
    # AMD workflow 合并后，以下外层 caller 名称已被新命名取代。
    # 仍要识别它们的旧拼写，防止旧记录并入当前连续失败统计。
    legacy_callers = {
        "call-nightly-amd-rocm720",
        "call-pr-test-amd-extra-rocm720",
        "call-pr-test-amd-rocm720",
    }
    filtered = {}
    for full_name, data in job_data.items():
        # job 全名按 " / " 分层：外层是调用链，末段是叶子 job 名。
        # 只要外层出现任一旧 caller，整行直接丢弃。
        name_parts = full_name.split(" / ")
        if any(part in legacy_callers for part in name_parts[:-1]):
            continue
​
        leaf_name = name_parts[-1]
        # 管理类叶子 job 不参与测试统计：等待门、gate、finish 汇总等
        if leaf_name.startswith(("wait-for-stage-a-amd", "wait-for-stage-b-amd")):
            continue
        if leaf_name in {
            "call-gate", "call-pr-test-amd-extra", "check-all-jobs",
            "check-changes", "pr-gate", "pr-test-amd-extra-finish",
            "pr-test-amd-finish",
            "pr-test-amd-rocm720-finish", # 规范化前的旧 teardown job
        }:
            continue
​
        # 旧命名风格是叶子名带 -rocm<digits> 后缀，但后缀版本不可信
        # （例如 -rocm720 的 PR job 实际可能跑 rocm724），一律丢弃。
        stem = leaf_name.split(" (", 1)[0]
        _, separator, version = stem.rpartition("-rocm")
        if separator and version.isdigit():
            continue
​
        # 中间态 nightly 命名只有 ROCm flavor，没有 runner；
        # 当前标准命名必须同时包含 flavor 与 runner。
        if leaf_name.endswith(")") and " (" in leaf_name:
            details = leaf_name.rsplit(" (", 1)[1][:-1]
            if details.startswith("rocm") and details[4:].isdigit():
                continue
​
            # 合并后的 workflow 复用了已退役 ROCm 7.0 workflow 的历史记录，
            # 在 lookback 窗口内不能让这些旧行计入多版本当前 streak。
            if details.split(",", 1)[0] == "rocm700":
                continue
​
        filtered[full_name] = data
​
    return filtered

评论区精华

本 PR 的 review 评论为空，三位 reviewer（HaiShaw、michaelzhang-ai、yctseng0211）直接 APPROVED，yctseng0211 评价「LGTM, AMD specific change」，说明变更范围被明确限定在 AMD CI 域内。核心讨论集中在 Issue 评论中：michaelzhang-ai 请求尽快合并，理由是「Rocm7 is retired and still takes lots of computation resource」，并 @ 了多位维护者推动合入。此外，commit 历史中的拆分决策也值得注意：[AMD][CI] Split workflow reference cleanup into follow-up 表明作者有意将 workflow 引用的后续清理与本次合并主变更解耦，避免一次变更耦合过多清理工作。

• ROCm 7.0 退役与合并紧迫性 (design): 三位 reviewer 全部 APPROVED，yctseng0211 以「LGTM, AMD specific change」确认变更范围可控，PR 随后合入。
• workflow 引用清理拆分策略 (design): 后续多个 commit（pr-states.yml、release-branch-cut.yml、bot-bump-sglang-version.yml 等）实际仍纳入本 PR 同步完成，拆分意图在最终合入版本中被吸收。

风险与影响

• 风险：
  1. PR 阶段多版本覆盖下降：合并后普通 pull_request 事件只默认跑 ROCm 10（rocm_versions 推导中 pull_request fall through 到 rocm10），ROCm 7.2.4 / 7.2.0 的回归验证仅靠每日定时调度覆盖。若某 PR 修改了仅在旧版本暴露的兼容性问题，PR 门禁无法拦截，属于有意为之的权衡但需要团队知晓。
  2. 监控 streak 统计正确性：ci_failures_analysis.py 的 workflow_filter 从 pr-test-amd-rocm720.yml 切换到 pr-test-amd.yml 后，GitHub Actions 历史 lookback 窗口内的旧 workflow 行将不再被拉取；同时 _filter_legacy_amd_job_rows 对 rocm700 的过滤依赖 job 名括号内第一个字段恰好为 rocm700，若未来 job 命名再次调整，存在漏过滤导致 streak 虚高或误合并的风险。
  3. 引用断裂风险：一次性删除 3 个 workflow 共约 4150 行，任何未同步的外部引用（bot、其他 workflow 的 uses:）都会导致运行时错误「workflow does not exist」。本 PR 已同步 pr-states.yml、release-branch-cut.yml、bot-bump-sglang-version.yml，但仓库内是否还有其他引用点（如文档、脚本）无法从本次 diff 完全确认。
  4. AITER Scout 资源放大：amd-aiter-scout.yml 现在对 nightly-test-amd.yml 传 rocm_version: all，每周会同时展开三个版本的完整 nightly，即使并行执行，GPU 占用总时长仍明显高于此前单版本模式。
     - 影响：影响范围集中在 AMD CI 基础设施，对运行时产品代码零影响。对开发者而言，PR 页面上的 AMD 检查项名称从「PR Test ROCm 7.0 / ROCm 7.2」变为统一的「PR Test (AMD)」，调度节奏从 ROCm 7.0 每两天一次变为 ROCm 10 每日两次；对 AMD CI 维护者而言，后续新增或调整 ROCm 版本只需修改 pr-test-amd.yml / nightly-test-amd.yml 的矩阵与 cron，不再需要复制整套 workflow；对 CI 监控系统而言，job 名的 streak 统计跨版本合并方式发生改变，ci_failures_analysis.py 的过滤逻辑需要持续跟随命名规范。总体影响属于「工程流程收敛」，显著降低维护成本并释放 ROCm 7.0 占用的 GPU 计算资源。
     - 风险标记：PR 阶段多版本覆盖下降, CI 监控过滤逻辑变更, 大量 workflow 删除, AITER Scout 资源放大

关联脉络

• PR #39411 [NPU] [CI] Fix multimodal_gen filter leakage and add daily scheduled run: 同为平台 CI 的调度节奏与 workflow 精简调整，与本次 AMD CI 合并属于同一类「平台 CI 收敛」演进方向，可对比 NPU 与 AMD 的 CI 治理模式。
• PR #39544 [misc] Trim redundant variants from the 8-gpu-h20 disaggregation test suite: 同样以削减冗余 CI 变体、降低资源占用为目标，与本次退役 ROCm 7.0、合并重复 workflow 的诉求一致，反映仓库近期 CI 资源治理趋势。
• PR #39545 [CI] Wait for a killed test server's GPU memory before the next launch: 改进 AMD 等自建 runner 的 GPU 释放等待逻辑，属于 AMD CI 稳定性配套，与本 PR 的容器启动脚本改动（amd_ci_start_container.sh）作用于同一 CI 运行链路。
• PR #39600 [CI] Fix SWA decode radix cache NIXL import: 针对 AMD/disaggregation CI 测试的导入崩溃修复，与本 PR 一样属于 AMD CI 日常维护面，表明 AMD CI 体系正在经历高频调整期。