Skip to content
Merged
Show file tree
Hide file tree
Changes from all commits
Commits
File filter

Filter by extension

Filter by extension


Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
24 changes: 22 additions & 2 deletions .github/workflows/tests.yml
Original file line number Diff line number Diff line change
Expand Up @@ -150,7 +150,15 @@ jobs:

- name: 装并启动 Ollama,拉 bge-m3
run: |
curl -fsSL https://ollama.com/install.sh | sh
# ⚠️ **不要写成 `curl … | sh`** —— 管道会把 curl 的失败吞掉:
# curl 拿不到脚本(例如 ollama.com 返回 504)时,`sh` 读到的是一段空内容、
# **退出码是 0**,于是脚本继续往下跑,直到 60 秒后才以
# `ollama: command not found`(exit 127)报错 —— 完全看不出真实原因。
# 实测(2026-09-21,PR #12):ollama.com 瞬时 504 ⇒ 就是这个表现。
# ⇒ 先**下载到文件**(失败即在这一步明确报错),再执行;并加重试吃掉瞬时抖动。
# (这正是 CLAUDE.md §8「判断命令成败别经过管道」那条判据,本文件先前违反了它。)
curl -fsSL --retry 3 --retry-delay 5 https://ollama.com/install.sh -o /tmp/ollama-install.sh
sh /tmp/ollama-install.sh

# ⚠️⚠️ 安装脚本会**创建并启用一个 systemd 服务**(日志里可见
# "Creating ollama systemd service..."),它以用户 `ollama` 运行、
Expand All @@ -175,7 +183,19 @@ jobs:
curl -sf http://localhost:11434/api/tags >/dev/null && break
sleep 2
done
ollama pull bge-m3

# 服务起来了才 pull;拉取同样可能被上游抖动打断(registry.ollama.ai),故重试 3 次。
# ⛔ 三次都失败必须让 job 红 —— 别让"模型没拉到"变成后面某个看不懂的测试失败。
for i in 1 2 3; do
ollama pull bge-m3 && break
echo "::warning::ollama pull 第 $i 次失败,5 秒后重试"
sleep 5
if [ "$i" = "3" ]; then
echo "::error::ollama pull bge-m3 连续 3 次失败(上游 registry 可能不稳)"
tail -20 /tmp/ollama.log || true
exit 1
fi
done

# ⛔ 守卫:本 job 的缓存能不能存下来,**完全取决于** $HOME/.ollama/models 是否存在。
# 没有这道守卫时,路径不对只会让缓存静默失效(job 照样绿),
Expand Down
28 changes: 27 additions & 1 deletion CHANGELOG.md
Original file line number Diff line number Diff line change
Expand Up @@ -9,7 +9,11 @@

---

## [第 3 轮] · 2026-09-21 · A1/E/D4/C1 + 推送通道 · ✅ 已完成
## [第 3 轮] · 2026-09-21 · A1/E/D4/C1 + 推送通道 + CI 缓存 · ✅ 已完成

> **本轮收尾状态**(2026-09-21 晚):工作区干净 · 本地=远端=`8064c42` · 无 stash / 无未推送 ·
> 本地与远端分支都只有 `main` · 11 个 PR 全部合并 · 主干 CI 双 job 绿 · 本地 61 passed。
> **下一步从 `CLAUDE.md §6「⏭️ 下一步」`接续**(首要项:升级 3 个 action 的主版本,消除 Node 20 告警)。

> 本轮 4 个 PR 已合并(#4 #5 #6 #7);详见各小节与 `docs/decisions决策/DEC-004~008`。

Expand All @@ -25,6 +29,28 @@
- ⚠️ **加缓存后的第一次运行仍要完整下一次**(缓存尚不存在),该次运行结束才写入缓存
- 裁决与边界见 **`DEC-009`**

### 操作(Ops)· 修掉 CI 的一处脆弱:管道吞错 + 上游 504

**一个只改文档的 PR 让 `test-embedding` 红了** —— 失败在「装并启动 Ollama」步骤:

```
curl: (22) The requested URL returned error: 504 ← ollama.com 瞬时 504
… line 26: ollama: command not found ← 60 秒后才报错,看不出真因
```

**两层原因**:
1. **外部抖动**:`ollama.com` 瞬时 504(`test` job 同一次是绿的 ⇒ 不是逻辑错)
2. **自身缺陷(更值得记)**:`curl … | sh` 的**管道把 curl 的失败吞了** ——
curl 失败时 `sh` 读到空内容、**退出码仍为 0**,脚本继续跑,直到 60 秒后报
`command not found`。**报出来的错和真实原因毫无关系。**

> ⛔ **这违反了同一天刚写进 `CLAUDE.md §8` 的判据**("判断命令成败别经过管道")——
> **判据写对了,然后在自己的 workflow 里违反了它。**

**处置**:改成「先下载到文件(失败当场报错,带 `--retry 3`)→ 再执行」;
`ollama pull` 加 3 次重试,**三次都失败则 `exit 1`**(不许让"模型没拉到"退化成
后面某个看不懂的测试失败)。判据见 `DEC-002 §九`。

### 操作(Ops)· 修掉缓存落地时踩到的竞态(守护进程抢 11434)

⚠️ **加完缓存的第一次运行立刻就暴露了问题**:PR 那次缓存**存下了**(998 MB),
Expand Down
25 changes: 25 additions & 0 deletions CLAUDE.md
Original file line number Diff line number Diff line change
Expand Up @@ -171,6 +171,19 @@ skill_candidate_store(候选 + 双阈值 0.85/0.65 检索)
> ⚠️ **第 1 轮已修的:A2 · C2 · D1 · D2 · B2 · B3 · D3**,外加两条新发现(**删除不清缓存** · 7 个模块的死 `PG_CONN`)。
> 细节与证据全在 `CHANGELOG.md` 与复盘里 —— **别再照待修清单去"修"已修好的东西**。

### ⏭️ 下一步(2026-09-22 从这里开始)

> **audit 清单(A1–A3 · B1–B3 · C1–C2 · D1–D4 · E)已全部处置完毕**,没有半成品。
> 工作区干净、本地=远端、11 个 PR 全部合并、主干 CI 双 job 绿。

| # | 事项 | 依据(已核实,别重查) |
|---|---|---|
| 1 | **升级 action 主版本**:`checkout@v4→v7` · `setup-python@v5→v7` · `cache@v4→v6` | CI 日志告警 `Node.js 20 is deprecated`。实测三个 action 的 `action.yml`:**我们用的大版本声明 `node20`,最新主版本已声明 `node24`**。⇒ 升级即消告警。⚠️ 跨多个主版本,**按纪律先落 DEC**(看各自 release notes 有无破坏性变更),验收判据=CI 绿 **且** 告警消失 |
| 2 | (可选)把 `perf_baselines.json` 纳入 CI 归档 | `test_day19` 会写它,但已 gitignore、CI 里随 runner 丢弃 |

> ⚠️ **现状不影响使用**:Node 20 告警只是告警(job 全绿);但 GitHub 终将移除 Node 20,
> 届时仍声明 `node20` 的 action 会**直接失败** ⇒ 属"现在不急、但别拖太久"。

**审计未覆盖的文件**(`§八` 明列,别以为都读过了):`README.md` · `FAQ.md` · `embedding_test.py` · `insert_*.py` · `append_location_history.py` · `skill_standards/skill-creator-standard.md` · `docs/mermaid.md` · `终端pythonEOF脚本集.md`(已作废的逐日脚本集)· `archive/deprecated/`。

**🔑 本仓的系统性模式:「机制写了,但没接线」。** 已出现 4 次(`rerank_with_llm` · `demote_from_kv` · `cache_delete` · `summary_confidence`)。
Expand Down Expand Up @@ -279,6 +292,18 @@ ssh://git@ssh.github.com:443/heweidong-ecco/memory-system.git

> ⛔ **不要**为绕过而关 TLS 校验(`GIT_SSL_NO_VERIFY`、改 CA)—— 那是拿安全换连通。

### ⚠️ 本机 shell 的两个坑(macOS + zsh,与 Linux/bash 不同)

> 本次**各踩一次**,都在"写命令验证结论"的过程中,值得记下来:

| 坑 | 表现 | 正确写法 |
|---|---|---|
| **zsh 不对未加引号的变量分词** | `set -- $spec` 后再用 `$1 $2` ⇒ `$1` 拿到**整串**、`$2` 为空 ⇒ 命令静默查错东西 | 用 `while read -r a b; do … done <<'EOF'`,或 zsh 的 `${=spec}` |
| **BSD 的 base64 解码是 `-D`** | macOS 上 `base64 -d` ⇒ 解码失败但**不报错**,得到空串 | `base64 -D`(或改用 `python -c`) |

> 📌 又一个同族:**它们都不报错,只是安静地给你错的结果。**
> ⇒ 凡"命令跑完了但结果可疑",先怀疑**工具在 macOS 上不是你以为的那个行为**。

### ⛔ 判断命令成败,**别经过管道**

**本次真实踩到两次**:用 `git fetch … | tail -1` 判成败 ⇒
Expand Down
39 changes: 39 additions & 0 deletions docs/decisions决策/DEC-002-CI的embedding边界-20260921.md
Original file line number Diff line number Diff line change
Expand Up @@ -85,3 +85,42 @@
> 原裁决的措辞是"因为它**会**很慢/很抖"—— 那是**推测**,不是观测。
> 正确顺序:先按最严的做(都阻断)→ 观测到问题再退;
> 而不是先退让 → 再等一个"也许永远不会来"的理由去收紧。

---

## 九 · 第一次真实 flaky(2026-09-21 当晚)与处置

**§七 当初写的判据是**:「若将来它真的 flaky —— 先分辨是环境抖动还是真 flaky;
环境抖动 ⇒ 先重试,或给该 job 加缓存/超时」。**当晚就撞上了第一次,照此办理。**

**现象**:一个**只改了文档**的 PR,`test-embedding` job **红了**,失败步骤是
`装并启动 Ollama,拉 bge-m3`。日志:

```
curl: (22) The requested URL returned error: 504 ← ollama.com 瞬时 504
/home/runner/work/_temp/….sh: line 26: ollama: command not found
##[error]Process completed with exit code 127
```

**根因有两层**:

1. **外部**:`ollama.com` 瞬时 504 ⇒ 脚本没下下来 ⇒ **环境抖动,不是逻辑错**(`test` job 同一次是绿的)
2. **自身(更值得记)**:写法是 `curl -fsSL … | sh` ——
**管道把 curl 的失败吞了**:curl 失败时 `sh` 读到空内容、**退出码仍是 0**,
于是脚本继续跑,直到约 60 秒后才以 `ollama: command not found` 报错 ——
**报出来的错和真实原因毫无关系。**

> ⛔ **这恰好违反了同一天刚写进 `CLAUDE.md §8` 的判据**:「判断命令成败,别经过管道」。
> **判据写对了,然后在自己的 workflow 里违反了它** —— 值得记住这个顺序。

**处置**(`.github/workflows/tests.yml`):

| 改动 | 目的 |
|---|---|
| `curl … -o /tmp/ollama-install.sh` + `sh /tmp/…`(**不再用管道**) | 下载失败**当场**报错,不伪装成 60 秒后的 `command not found` |
| 下载加 `--retry 3 --retry-delay 5` | 吃掉瞬时 504 这类抖动 |
| `ollama pull` 加 3 次重试;**三次都失败则 `exit 1`** | registry 也可能抖;但**不许让"模型没拉到"退化成后面某个看不懂的测试失败** |

**判据**(本次的提炼):
> **依赖外网的步骤,必须让"外网失败"表现为它自己的失败,而不是别的步骤的怪错误。**
> 前者一眼可诊;后者要花一小时才能追到根因(本次就是)。
Loading