当前位置:首页 > 文章列表 > 文章 > 软件教程 > GitHub Actions 怎样缓存 Go 模块

GitHub Actions 怎样缓存 Go 模块

来源:17golang原创 2026-10-14 10:19:31 0浏览 收藏

GitHub Actions 的托管 runner 每次作业都可能从干净环境开始,如果 Go 依赖没有缓存,go mod download 会重复访问网络。最省事的做法是把缓存交给 actions/setup-go:在工作流中加入 cache: true,它会依据仓库里的 go.sum 参与缓存 key 计算。依赖文件没变时复用缓存,依赖变化时自动生成新的缓存范围。

官方地址:https://docs.github.com/en/actions/using-workflows/caching-dependencies-to-speed-up-workflows

下面用一个最小的 Go CI 工作流说明完整操作。这里的界面图片都是原创的操作示意图,不是 GitHub 页面截图,也不是实际运行证据。

一、先找到需要修改的工作流

进入仓库后,按“Actions → 选择一个工作流 → workflow 文件”找到对应的 YAML 文件;也可以直接在仓库文件树打开 .github/workflows/ci.yml。先确认工作流里已经有 actions/checkout 和 actions/setup-go,缓存设置应放在 setup-go 这一步的 with 区域。

GitHub Actions 工作流编辑界面中定位 setup-go 缓存设置入口的原创操作示意图
图1:操作示意图,展示从 Actions 工作流进入 setup-go 配置区域的界面层级。

看到 setup-go 后再继续,不要把缓存配置写到 checkout,或者把 cache 错放到 job 顶层。前者不会改变 Go 模块缓存,后者会让 YAML 结构不符合动作的输入格式。

二、在 setup-go 中打开模块缓存

在 actions/setup-go 的 with 下加入 cache: true。例如:

name: Go CI

on:
  push:
    branches: [main] # 只示例主分支推送,按项目需要调整触发条件
  pull_request: # 拉取请求也可以复用依赖缓存

jobs:
  test:
    runs-on: ubuntu-latest # 使用 GitHub 托管 runner 执行测试
    steps:
      - name: Checkout
        uses: actions/checkout@v4 # 先取出包含 go.mod、go.sum 的仓库

      - name: Set up Go
        uses: actions/setup-go@v5 # setup-go 会准备 Go 并处理依赖缓存
        with:
          go-version-file: go.mod # 从 go.mod 读取项目要求的 Go 版本
          cache: true # 按 go.sum 计算缓存依据,命中时恢复模块缓存

      - name: Test
        run: go test ./... # 缓存未命中时仍会正常下载依赖并执行测试

保存后,点击工作流编辑器右上角的 Commit changes,或者按团队流程提交这次 YAML 修改。成功保存的标志是文件仍位于 .github/workflows/,缩进层级没有把 with 和 steps 打平。

GitHub Actions 工作流配置中 cache true 已启用并显示 Go 模块缓存状态的原创操作示意图
图2:结果示意图,展示保存后的 setup-go 配置与缓存命中状态提示。

三、运行一次并读懂缓存状态

提交工作流后进入“Actions → 对应工作流 → 最新运行 → test job”。第一次运行通常没有现成缓存,setup-go 会继续完成依赖准备;这不代表配置失败。后续运行时,如果 go.sum 没有变化,日志会显示缓存恢复相关提示,然后继续执行 go test ./...。

可以按下面的顺序判断:

  • 首次运行:没有命中很正常,作业仍应能下载依赖并结束。
  • 依赖未变:通常复用已有缓存,减少重复下载。
  • go.sum 变化:缓存依据随依赖文件变化,新的依赖集合会使用新的缓存范围。

缓存只是加速手段,不能替代依赖声明。即使命中失败,也要保证工作流可以重新下载依赖并继续构建。

四、什么时候才需要 actions/cache

如果只是缓存 Go 模块,优先使用 setup-go 的内置能力;只有需要自定义多个路径、拆分恢复与保存动作,或要控制更细的 key 时,才考虑显式使用 actions/cache。手动配置的关键是让 key 关联 go.sum,并把 restore key 设计得足够保守:

      - name: Cache Go modules manually
        uses: actions/cache@v4 # 只有需要自定义缓存路径时再使用这一层
        with:
          path: ~/go/pkg/mod # 缓存 Go 模块下载目录,不放 secrets 或构建凭据
          key: ${{ runner.os }}-go-${{ hashFiles('**/go.sum') }} # 依赖清单变化就换 key
          restore-keys: |
            ${{ runner.os }}-go- # 允许恢复同平台的近似旧缓存,再由 Go 补齐依赖

不要同时为同一个模块目录启用 setup-go 内置缓存和手动缓存,否则排查命中结果会变复杂。还要避免把 token、密钥或未经信任的构建产物放进缓存;缓存内容会被后续有权限读取该范围的工作流直接恢复。

常见问题

为什么第一次运行没有缓存命中?

第一次没有可恢复的缓存是正常情况。只要测试继续执行,后续运行就有机会使用本次生成的缓存。

修改 go.mod 后要手动删除缓存吗?

通常不需要。setup-go 会使用 go.sum 参与缓存依据;依赖集合变化后,新的 key 会让工作流建立新的缓存范围。

为什么我用了 cache: true 但速度没有明显变化?

先区分依赖下载是否是主要耗时,再看 Actions 日志中的缓存恢复提示。编译、测试、Docker 构建或 runner 排队时间占比很高时,单独缓存 Go 模块不会解决其它阶段的耗时。

总结

GitHub Actions 缓存 Go 模块的最小改动是:在 actions/setup-go 的 with 中加入 cache: true,并让 go.sum 继续作为依赖变化依据。先用内置缓存完成常规 CI,再根据路径和权限需求决定是否使用 actions/cache,这样配置更短,失败时也保留了重新下载依赖的退路。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
VS Code 调试配置怎样传递环境变量VS Code 调试配置怎样传递环境变量
上一篇
VS Code 调试配置怎样传递环境变量
GitHub Copilot CLI 怎样在终端查看 PR
下一篇
GitHub Copilot CLI 怎样在终端查看 PR
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    467次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    529次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    548次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    497次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    317次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码