当前位置:首页 > 文章列表 > 科技周边 > 业界新闻 > GitHub Actions 怎样让工作流按锁定提交运行

GitHub Actions 怎样让工作流按锁定提交运行

来源:17golang原创 2026-10-26 02:56:07 0浏览 收藏

GitHub Actions 工作流里如果写的是 owner/action@v3 或 owner/action@main,标签和分支以后都可能移动,下一次运行的实际代码就未必还是审查过的版本。GitHub 在 2026 年 10 月 14 日宣布工作流依赖锁文件进入公开预览,目标就是把这些引用固定到已经确认的提交。

官方工具地址:https://github.com/github/gh-actions-lock

想让工作流按审查过的提交运行,可以使用 GitHub CLI 的 gh actions-lock 生成 .github/workflows/actions.lock,再把锁文件变化放进 Pull Request 审查。它能覆盖 action 及部分传递依赖,但仍处于公开预览,不能替代对容器镜像和例外依赖的单独检查。
  • 锁文件解决的是 tag 或 branch 漂移,不是“依赖天然安全”。
  • 锁定结果应和工作流一起提交,变更由 Pull Request 审查。
  • 生成、验证、自动更新和限制边界要分开理解。

为什么工作流需要锁定提交

直接写版本标签便于阅读,但标签背后的提交可以改变;直接写完整 SHA 虽然稳定,却要在每个工作流里手工维护,而且不容易表达传递依赖。工作流锁文件把“工作流里写的引用”和“本次真正运行的提交”分开记录,读者仍能看到 v3 这样的语义版本,运行时则按锁文件中的提交执行。

GitHub Actions 工作流引用、actions.lock 与锁定提交之间的静态关系说明图
图1:工作流依赖锁定的结构说明图,展示引用、锁文件与运行提交的关系,不是实际 GitHub 页面截图。

官方说明中,锁文件位于 .github/workflows/actions.lock,除了工作流直接使用的 action,还会记录可解析的传递依赖。工作流接入锁定后,依赖必须有对应条目,运行时使用记录的提交;因此锁文件本身也应该进入代码评审。

怎样生成第一份 actions.lock

官方仓库提供了 GitHub CLI 扩展。下面的命令展示最小准备和生成路径;命令没有在本文环境中执行,实际使用时应先确认当前目录是目标仓库,并检查登录账号具备读取依赖仓库的权限。

# 安装 GitHub Actions 依赖锁文件扩展
gh extension install github/gh-actions-lock

# 在仓库根目录生成或修复 actions.lock
gh actions-lock

# 把工作流和机器生成的锁文件一并交给 Pull Request 审查
git add .github/workflows/
git diff --cached -- .github/workflows/

工具生成的是机器维护文件,不建议直接编辑 actions.lock。新增工作流、修改 uses: 引用或升级依赖后,再运行一次 gh actions-lock,让工作流引用和锁定提交保持对应。

生成、验证与更新怎样接入仓库流程

锁文件真正有价值的地方是进入日常变更流程。生成命令负责写入或修复锁文件,--verify 适合在 CI 中检查锁定状态和来源,--verify-local 则做不访问网络的覆盖检查。两者的职责不同,不能把本地覆盖检查当成提交来源证明。

GitHub Actions 锁文件生成、验证、Dependabot 更新与 Pull Request 审查的静态职责边界图
图2:锁文件维护边界说明图,展示生成、验证、更新和审查的职责分工,不是运行截图。
# 远程检查锁定提交和依赖来源,适合接入 CI
gh actions-lock --verify

# 不访问网络,只检查每个 uses 是否有锁文件覆盖
gh actions-lock --verify-local

# 只查看报告,不改写文件
gh actions-lock --no-fix

官方仓库还说明,Dependabot 更新 action 版本时可以同步更新对应锁文件。团队应把锁文件 diff 当成依赖升级的一部分来审查:先确认引用变化,再确认提交变化,最后确认工作流权限和运行范围没有被顺带扩大。

公开预览阶段要注意哪些边界

对象锁文件能做什么还要单独关注什么
直接 action把引用解析到具体提交审查来源、权限和变更 diff
传递 action记录可解析的传递依赖确认依赖确实被工具覆盖
可复用工作流由定义它的仓库负责对应锁定不能假设调用方锁文件覆盖所有内容
容器镜像不等于镜像摘要锁定按镜像发布和摘要策略单独管理

这项能力仍是公开预览,锁文件格式、命令参数和行为可能变化。它解决的是工作流依赖在标签或分支移动后的可重复性,不代表被锁定的依赖一定安全;异常更新、权限扩大和被攻陷的来源仍然需要人工审查。

常见问题

已经使用完整 SHA,还需要锁文件吗?

不一定。完整 SHA 已经能固定直接引用,但锁文件还能统一记录传递依赖,并减少工作流 YAML 中的重复长字符串;是否迁移要结合仓库覆盖范围和公开预览的接受程度决定。

为什么生成锁文件后还要看 Pull Request?

锁文件只记录解析结果,不替你判断依赖是否值得信任。升级时应同时查看工作流、锁文件和权限变化,确认更新来自预期仓库并且没有扩大执行能力。

锁文件能锁定所有工作流依赖吗?

不能直接这样理解。官方文档对可复用工作流、本地 action 和容器镜像都有覆盖边界,接入前应按实际依赖类型阅读限制,并为未覆盖对象保留独立的固定策略。

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
CNCF 怎样查看一个项目的成熟度和治理状态CNCF 怎样查看一个项目的成熟度和治理状态
上一篇
CNCF 怎样查看一个项目的成熟度和治理状态
OpenTelemetry 怎样理解 traces metrics logs 的关系
下一篇
OpenTelemetry 怎样理解 traces metrics logs 的关系
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。
    694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。
    706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。
    775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。
    735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。
    568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