执行摘要

• 一句话：禁用 Git 自动维护，修复 ROCm CI 浅克隆 fetch 竞态
• 推荐动作：值得精读，尤其适合 CI/构建基础设施维护者。这是一个“小而完整”的竞态修复样例：问题定位准确（PR body 完整给出了根因链条）、修复方式克制（只改一个集中函数）、测试设计巧妙（用假 git 拦截 argv 验证选项注入位置，把难以稳定复现的并发竞态转化为确定性单测）。重点关注 git_fetch_with_timeout 中数组构造与展开的写法，以及测试中 PATH 替换与断言顺序的手法。

功能与动机

Buildkite 构建 84415 中 ROCm 测试镜像构建在 Docker 构建前失败，报错为 "Deepening history to reach a version tag" 后紧跟 "fatal: shallow file has changed since we read it"。PR body 明确指出根因：git fetch 默认允许自动仓库维护在分离进程中运行，该进程可能活得比发起 fetch 的进程更久，当脚本随后的 deepen 操作读取 .git/shallow 时维护进程并发写入该文件，Git 一致性检查随即中止。同一构建换 agent 重试后历史深挖、镜像构建及 "AMD image smoke OK" 全部通过，确认失败是瞬时竞态而非依赖变更引入的确定性错误。

实现拆解

1. 变更入口：.buildkite/scripts/ci-bake-rocm.sh 中的 git_fetch_with_timeout 函数，该函数是 ROCm 缓存构建设施中所有 Git fetch 的集中入口，默认超时 60 秒（可由 ROCM_CACHE_GIT_FETCH_TIMEOUT 覆盖）。
2. 核心改动：将该函数改为先构造数组 fetch_command=(git fetch --no-auto-maintenance)，再在“有 timeout 命令”与“无 timeout 命令”两条路径中统一用 "${fetch_command[@]}" 展开执行。数组写法规避了参数空格与通配符展开的 shell 陷阱，--no-auto-maintenance 紧跟 fetch 子命令之后，符合 Git 对子命令选项的解析规则，且保留调用方全部原有参数与失败行为。
3. 测试配套：tests/tools/test_docker_build_metadata_args.py 新增 test_rocm_git_fetch_disables_automatic_maintenance。测试在临时目录构造一个逐行打印全部 argv 的假 git 脚本并通过 PATH 前置替换真实 git，随后 source ci-bake-rocm.sh 并调用 git_fetch_with_timeout --quiet origin HEAD，断言输出严格等于 fetch --no-auto-maintenance --quiet origin HEAD，从参数顺序上锁定了修复行为。
4. 配套重构：将 ci-bake-rocm.sh 路径抽取为模块级常量 ROCM_CI_BAKE，供既有 test_rocm_ci_base_metadata_inputs_cover_ci_base_files 与新增测试复用，消除重复路径字符串。

关键文件：

• .buildkite/scripts/ci-bake-rocm.sh（模块 构建脚本；类别 infra；类型 core-logic；符号 git_fetch_with_timeout）: 核心修复文件。在集中式 Git fetch 帮助函数 git_fetch_with_timeout 中为所有 fetch 调用注入 --no-auto-maintenance，从根上消除浅克隆 deepen 与自动维护进程在 .git/shallow 上的竞态。
• tests/tools/test_docker_build_metadata_args.py（模块 构建参数；类别 test；类型 test-coverage；符号 test_rocm_git_fetch_disables_automatic_maintenance）: 新增回归测试，用假 git 脚本拦截 argv，验证 --no-auto-maintenance 被准确注入到 fetch 子命令之后，防止未来重构破坏该修复。

关键符号：git_fetch_with_timeout, test_rocm_git_fetch_disables_automatic_maintenance

关键源码片段

.buildkite/scripts/ci-bake-rocm.sh

核心修复文件。在集中式 Git fetch 帮助函数 git_fetch_with_timeout 中为所有 fetch 调用注入 --no-auto-maintenance，从根上消除浅克隆 deepen 与自动维护进程在 .git/shallow 上的竞态。

git_fetch_with_timeout() {
    local timeout_secs="${ROCM_CACHE_GIT_FETCH_TIMEOUT:-60}"
​
    # 显式禁用自动维护：git fetch 默认可能启动分离进程的 repository maintenance，
    # 该进程可能活得比发起 fetch 的进程更久，并在后续 deepen 操作读取
    # .git/shallow 时并发写入同一文件，触发 "shallow file has changed since we read it"
    # 一致性检查失败。--no-auto-maintenance 是 fetch 的子命令选项，
    # 必须紧跟 fetch 之后、位于调用方追加参数之前。
    local -a fetch_command=(git fetch --no-auto-maintenance)
​
    if command -v timeout >/dev/null 2>&1; then
        # 有 timeout 工具时按配置的超时时间包裹，避免 fetch 长时间卡死 CI
        timeout "${timeout_secs}s" "${fetch_command[@]}" "$@"
    else
        # 无 timeout 环境直接执行，保持原有失败行为不变
        "${fetch_command[@]}" "$@"
    fi
}

tests/tools/test_docker_build_metadata_args.py

新增回归测试，用假 git 脚本拦截 argv，验证 --no-auto-maintenance 被准确注入到 fetch 子命令之后，防止未来重构破坏该修复。

def test_rocm_git_fetch_disables_automatic_maintenance(tmp_path: Path) -> None:
    # 用假 git 脚本拦截命令，逐行打印 argv，便于验证参数注入位置
    fake_bin = tmp_path / "bin"
    fake_bin.mkdir()
    git = fake_bin / "git"
    git.write_text('#!/bin/sh\nprintf "%s\\n" "$@"\n')
    git.chmod(0o755)
​
    env = os.environ.copy()
    # 将假 git 所在目录前置到 PATH，让脚本中的 git 解析到 fake
    env["PATH"] = f"{fake_bin}:{env['PATH']}"
    result = subprocess.run(
        [
            "bash",
            "-c",
            'source "$1"; git_fetch_with_timeout --quiet origin HEAD',
            "bash",
            str(ROCM_CI_BAKE),
        ],
        check=True,
        env=env,
        stdout=subprocess.PIPE,
        text=True,
    )
​
    # 关键断言：--no-auto-maintenance 必须紧跟 fetch 子命令之后，
    # 保证调用方追加的参数（如 --quiet origin HEAD）不会被选项解析破坏
    assert result.stdout.splitlines() == [
        "fetch",
        "--no-auto-maintenance",
        "--quiet",
        "origin",
        "HEAD",
    ]

评论区精华

本 PR 没有实质性的技术讨论：唯一 reviewer 是 khluu，状态为 APPROVED 且无附加评论；claude[bot] 只发送了模板化提示。可以理解为修复方向与实现范围在维护者看来无争议，属于快速合入的 CI 稳定性补丁。值得注意的是没有任何 reviewer 对 --no-auto-maintenance 的 Git 版本依赖（Git 2.10 及以上）或禁用自动维护后的长期副作用提出疑问。

• 无实质 review 讨论，khluu 直接批准 (other): 快速合入，无未解决疑虑。

风险与影响

• 风险：
  • 环境兼容性：git fetch --no-auto-maintenance 需要 Git 2.10+，vLLM CI 环境（现代 Ubuntu 镜像）满足条件，无旧版本回退问题。
  • 竞态只是规避而非根治：禁用自动维护后浅克隆仓库不会定期清理冗余对象与引用，长期可能积累垃圾对象；但 CI 每次均从远端重新 checkout，仓库生命周期极短，该影响可忽略。
  • 覆盖盲区：新增测试只覆盖了无 timeout 命令的分支（测试环境 PATH 中不包含 timeout），未覆盖 timeout 包裹分支；不过两分支逻辑完全对称，且均由同一 fetch_command 数组展开，风险很低。
  • 回归面：改动被严格限制在 git_fetch_with_timeout 单函数内，不触及推理运行时路径，不改变任何 fetch 调用方的参数语义。
  • 影响：影响范围仅限 ROCm CI 测试镜像构建步骤：消除了 .git/shallow 并发写入导致的偶发构建失败，提升 Buildkite ROCm 作业的稳定性与重试通过率。对最终用户无感知，不涉及推理、模型或 API 行为。对团队而言，新测试为将来修改 CI fetch 逻辑提供了护栏，避免再次踩中选项顺序或参数注入问题；同时为其他平台（如 CPU、XPU）的同类浅克隆 fetch 竞态提供了一个可复制的修复样板。
  • 风险标记：CI 竞态难以稳定复现, 依赖 Git 2.10+ 选项, 禁用自动维护的长期副作用

关联脉络

• PR #52659 [CI] Standardize test job labels by device: 同为 CI 基础设施治理：统一 Buildkite 测试作业标签格式，与本次修复 ROCm CI 脚本的目的同属 CI 可维护性/稳定性演进脉络。
• PR #52797 [CI] Upgrade huggingface-hub to 1.28.0: 同为 CI 稳定性相关改动，涉及多份依赖清单同步，与本次对 ROCm 构建脚本的收敛式修复属于同一批 CI 治理工作。
• PR #52593 [Build] Propagate vLLM version to Rust binaries: 同属构建基础设施改进，涉及构建脚本与 Docker 配置，与本次 ci-bake-rocm.sh 的改动同处于构建链路稳定性优化方向。