当前位置:首页 > 文章列表 > 文章 > 软件教程 > GitHub Actions permissions 怎样按作业收紧 GITHUB_TOKEN

GitHub Actions permissions 怎样按作业收紧 GITHUB_TOKEN

来源:17golang原创 2026-11-01 02:48:26 0浏览 收藏

如果一个工作流包含构建、发布和检查多个 job,最稳妥的做法是把 permissions 放到真正需要它的 job 下面,而不是给整份 workflow 一次性开放写权限。GitHub Actions 会按 job 计算 GITHUB_TOKEN 的有效权限;当你显式列出部分权限时,未列出的权限会变成 none,而 write 本身包含对应的 read。

官方参考地址:https://docs.github.com/en/actions/reference/workflows-and-actions/workflow-syntax

下面以一个只读取代码并上传构建结果的 build job 为例,说明从入口、编辑到运行后核对的完整路径。文中的界面图是原创说明图,不是 GitHub 截图。

先确认这个 job 到底需要什么权限

进入仓库后,打开 Code → .github → workflows,选择要修改的 YAML 文件。先看 job 中的动作:检出代码通常需要 contents: read;只有确实要操作 Actions 运行、发布包或写回仓库时,才追加对应的 write 权限。

不要根据“以后可能会用到”来放大权限。把每个 job 需要的资源写成清单,再把清单转换成 YAML,后续排错会更容易。

把权限写在需要它的 job 下面

在 jobs.build 下增加 permissions。下面的示例只保留读取仓库内容的能力,其余未声明的权限不主动开放:

name: build

on:
  push:
    branches: [ main ]

jobs:
  build:
    # 只给这个 job 读取仓库内容的能力。
    permissions:
      contents: read
      # 明确关闭本例不需要的 Actions 操作权限。
      actions: none
      # 不让构建 job 修改拉取请求。
      pull-requests: none
    runs-on: ubuntu-latest
    steps:
      - name: Checkout source
        # 该步骤使用上面 job 的 GITHUB_TOKEN 权限读取代码。
        uses: actions/checkout@v4
      - name: Build
        # 这里放项目自己的构建命令,失败时由 Actions 标记 job 失败。
        run: go build ./...
作业级 permissions 配置位置和 contents read 的原创界面说明图
图1:作业级权限说明图,展示 permissions 应放在具体 job 下。

这里的关键不是把每个 none 都写一遍,而是先明确权限边界。显式写出的关闭项能让读者和维护者一眼看到设计意图;真正依赖的权限则保留在最小范围内。

提交工作流文件并看新的运行状态

在编辑器右上角选择 Commit changes,填写简短的提交说明,例如“收紧构建 job 的令牌权限”,然后提交到当前分支。回到 Actions,选择刚刚触发的 workflow,再打开对应的 build job。

如果工作流使用了不属于 contents: read 的操作,运行可能会因权限不足失败。此时不要直接改成 write-all,先根据失败步骤补充一个具体权限,并说明它服务于哪个动作。

在运行摘要中核对结果

核对三个位置:workflow 运行是否完成、build job 是否成功、日志中使用令牌的步骤是否只执行了预期操作。图中的“完成”和权限摘要只是阅读界面的说明,不代表某一次真实运行结果。

工作流运行摘要中的完成状态和权限摘要原创界面说明图
图2:结果核对说明图,展示运行完成后查看 job 状态与权限摘要的方式。

若构建成功但发布步骤失败,通常说明发布动作需要额外的仓库、包或身份联合权限。把发布拆成单独 job,并为它单独配置权限,比给整个 workflow 提权更容易复查。

三个容易忽略的边界

  • 顶层和 job 级不要混淆:顶层 permissions 会影响所有 job;job 级配置用于覆盖某个具体 job 的权限,适合构建、测试、发布分离的工作流。
  • 未列出的权限不是“保持默认”:显式设置部分权限后,未列出的权限会被设为 none,所以新增步骤前要同步检查它需要的范围。
  • fork 和受保护场景可能更严格:来自 fork 的拉取请求通常不能随意获得写权限,仓库或组织设置也可能进一步限制令牌能力,不能只看 YAML 就假定一定可写。

最后可以把权限配置写成一条维护规则:构建 job 只读,发布 job 单独授权,新增动作先查它需要的 scope,再提交最小变更。这样既能减少误用令牌的机会,也能让运行失败时的修复方向更清楚。

相关问题

为什么只写了一个 permissions 字段,其他权限却不能用了? 因为未列出的权限会被设为 none,这是显式收紧权限时必须考虑的行为。

什么时候应该使用 write? 只有当前 job 确实需要写仓库、发布包或操作工作流资源时才使用,并把它限制在对应 job。

权限不足时要不要直接改成 write-all? 不建议。先定位失败动作,再只增加它需要的具体权限。

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
JetBrains IDE 怎样只对当前项目启用格式化规则JetBrains IDE 怎样只对当前项目启用格式化规则
上一篇
JetBrains IDE 怎样只对当前项目启用格式化规则
GitHub Actions artifact retention 怎样按作业设置保存期限
下一篇
GitHub Actions artifact retention 怎样按作业设置保存期限
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。
    819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。
    811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。
    903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。
    873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。
    695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