当前位置:首页 > 文章列表 > 文章 > 软件教程 > GitHub Actions cache restore-keys 怎样设计分层缓存

GitHub Actions cache restore-keys 怎样设计分层缓存

来源:17golang原创 2026-11-20 08:36:08 0浏览 收藏

GitHub Actions 的分层缓存,核心不是把 restore-keys 写得越多越好,而是把“完全相同的依赖”和“可以安全复用的旧依赖”分开。建议让 key 负责精确命中,再让 restore-keys 按从窄到宽的顺序回退:先找同一运行系统、同一分支的旧缓存,最后才退到同一系统的通用缓存。

官方地址:https://docs.github.com/en/actions/reference/workflows-and-actions/dependency-caching

下面用 npm 下载目录演示完整操作。文中的界面均为原创说明图,不是 GitHub 页面截图;真正的命中结果以你自己的 Actions 日志为准。

1. 先确定缓存层级和编辑入口

进入仓库的 Actions → Workflows,打开负责构建的 workflow 文件;如果你直接维护代码,也可以在仓库根目录打开 .github/workflows/ci.yml。先确认缓存对象是 npm 下载目录 ~/.npm,不要把工作区中的构建产物和依赖下载缓存混在同一个 key 里。

在 编辑文件 → Jobs → build → Steps 对应位置加入缓存步骤。第一张图只用于定位字段和保存入口:

GitHub Actions 工作流编辑入口和缓存字段的原创说明图
图1:工作流编辑入口说明图,重点查看缓存 path、精确 key 和 restore-keys 的位置。

2. 用 key 锁定完整依赖集合

把操作系统、分支和 lockfile 哈希放进精确 key。这样 package-lock.json 改变时会产生新的缓存,而不同系统不会因为目录结构差异误用同一份缓存。

steps:
  - name: Cache npm directory
    id: npm-cache
    uses: actions/cache@v4
    with:
      # 只缓存 npm 下载目录,避免把工作区构建产物混入
      path: ~/.npm
      # lockfile 哈希变化时,精确层自动切换到新缓存
      key: ${{ runner.os }}-npm-${{ github.ref_name }}-${{ hashFiles('package-lock.json') }}

这里的 key 是“精确层”。如果它完全匹配,输出 cache-hit 会为 true;如果只是前缀匹配,仍然能恢复文件,但不属于精确命中。

3. 按从窄到宽填写 restore-keys

在同一个 with 区域继续填写回退键,每行一个,并按优先级从上到下排列。第一层保留操作系统和分支,第二层只保留操作系统:

      restore-keys: |
        # 第一回退层:同系统、同分支的最近缓存
        ${{ runner.os }}-npm-${{ github.ref_name }}-
        # 第二回退层:同系统的其他分支缓存
        ${{ runner.os }}-npm-

GitHub Actions 会先查精确 key,再按顺序查这些前缀;同一前缀有多个部分匹配时,会取最近创建的缓存。不要为了“多一层保险”直接写成跨系统的 npm-:Linux、macOS 和 Windows 的依赖目录可能不适合互换,回退层必须服从缓存内容的可兼容性。

4. 提交后从运行结果确认命中层级

点击 Commit changes,再进入 Actions → 对应 workflow → 最新 run → build → Cache npm directory。检查步骤日志中的 primary key、命中的 restore key 和 cache-hit 输出,不要只看步骤变绿。

GitHub Actions 缓存命中层级和结果字段的原创说明图
图2:运行结果核对说明图,按 primary key、restore key 和 cache-hit 判断实际命中层级。
看到的状态说明下一步
cache-hit: true精确 key 命中继续观察安装和构建耗时
恢复成功但 cache-hit 不是 true命中了 restore-keys 的部分缓存确认回退层是否仍然兼容
没有匹配缓存本次从空目录开始,成功后会生成新缓存等待下一次相同 key 的运行

5. 误命中时怎样调整

如果构建工具、Node 版本或依赖目录结构发生变化,优先把变化因素加入精确 key,而不是继续增加宽泛的 restore-key。若 pull request 来自低信任触发器,还要注意缓存写入权限和污染风险;不要在缓存路径中放 token、登录凭据或会被后续步骤直接执行的敏感文件。

最终可以把设计记成一句话:精确 key 负责正确,窄到宽的 restore-keys 负责复用,运行日志负责验收。这比用一个过宽的前缀覆盖所有分支更容易排错,也更容易控制跨系统和安全边界。

常见问题

为什么 restore-keys 要一行一个?因为它是按顺序尝试的候选前缀,换行就是优先级边界。

部分命中后还会保存新缓存吗?如果 job 成功,缓存 action 仍可能用当前精确 key 保存新的内容;是否写入还要受触发事件和仓库缓存权限影响。

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
Docker Scout 怎样查看镜像中的软件清单Docker Scout 怎样查看镜像中的软件清单
上一篇
Docker Scout 怎样查看镜像中的软件清单
Hugging Face Hub HfApi.list_repo_tree 怎样列出模型仓库中的文件
下一篇
Hugging Face Hub HfApi.list_repo_tree 怎样列出模型仓库中的文件
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。
    1139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。
    1123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。
    1299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。
    1237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。
    1090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