AI 编程智能体的 CI:智能体每一轮都要等 GitHub Actions 20 分钟时怎么办
AI 编程智能体的循环是:推送、等 CI、读失败信息、修复、再推送。一条 20 分钟的流水线,修五次就是 100 分钟的等待,而智能体推送得比人还多:Anthropic 的 CI 作业量在六个月里增长了 25 倍。按这个顺序缩短等待。让智能体在推送前先跑 lint、类型检查和受影响的单元测试。新推送到达时取消这个拉取请求的旧运行。把快速检查放进单独的作业,让失败信息一两分钟就回来。只运行改动影响到的测试。然后砍掉每个作业在新虚拟机上都要重复的准备工作:在一台在作业之间保留 Docker 层、包缓存和构建输出的机器上,astro 的 CI 作业从 GitHub 上的 528 秒降到了 Skipbox 上的 30 秒。
Skipbox 在你账号的专属机器上运行作业,在作业之间保留这些状态。只改一行 runs-on: skipbox,每月固定 $39,分钟数不限:一个下午推送二十次的智能体,不会给账单增加一分钱,GitHub 预算也从不会让它的作业停下。
为什么智能体的循环让 CI 成了瓶颈
Anthropic 在关于扩展测试影响分析的文章中写道,它的 CI 作业量在 6 个月里增长了 25 倍。文章给出两个原因:Claude 偏好更小、更细粒度的 PR,智能体还会在夜里和周末推送。人会把几处修复攒在一起;智能体则每修一处就推送一次,然后等待。流水线的每一分钟,每一轮都要付一次。
1. 推送之前,能抓的先抓住
最快的 CI 运行,是不会失败的那一次。把 CI 跑的 lint、类型检查和单元测试命令同样交给智能体,让它每次推送前对改动过的文件先跑一遍。这样一个拼写错误只花它自己机器上的几秒钟,而不是一趟 20 分钟的往返。
2. 取消被新推送取代的运行
上一次运行还没结束,智能体就推送了修复,同一个拉取请求上就会有两次运行。取消旧的那次(concurrency):
concurrency:
group: ${{ github.workflow }}-${{ github.head_ref || github.run_id }}
cancel-in-progress: true
github.head_ref 只在拉取请求上存在,所以每次推送到 main 都有自己的组,永远不会被取消。
3. 让快速检查先出结果
把 lint 和类型检查放进单独的作业,前面不加 needs:,慢的测试套件放在其他作业里。智能体一出现失败就能读到,而不是等到端到端作业之后。
4. 只运行改动影响到的部分
Anthropic 应对 25 倍增长的办法,是一个决定每次改动运行哪些测试的测试影响分析服务。大多数仓库可以从小处着手:在 Turborepo 中用 turbo run test --affected(Turborepo 的 CI 指南),给只和某个目录相关的工作流加路径过滤,合并后在 main 上完整跑一遍,抓住选择性运行漏掉的问题。
5. 不要每一轮都重建同样的状态
在 GitHub 托管的运行器上,每个作业都在一台新虚拟机上启动:重新安装工具链,下载并解压依赖缓存,拉取或重建 Docker 的层,构建从零开始。一天上百轮智能体循环,这些准备工作就是等待的大头。一个在作业之间保留磁盘的运行器,这些早就在那里了。
根据我们对真实项目的运行结果,工作流未做任何修改:
| 项目 | GitHub(公开仓库,4 vCPU,16 GB) | Skipbox 专属机器(4 vCPU) |
|---|---|---|
| astro(pnpm,Turborepo) | 528 秒 | 30 秒 |
| tauri(Rust) | 246 秒 | 53 秒 |
| ripgrep(Rust) | 200 秒 | 40 秒 |
6. 不只规划分钟数,也规划同时运行的作业数
几个智能体各自推送带矩阵的拉取请求,就会碰到 GitHub 标准运行器的并发上限:同时运行的作业数,GitHub Free 20 个,Pro 40 个,Team 60 个,Enterprise 500 个(限制)。超过之后,作业排队。按分钟计费时,这些作业每一个都要花钱;支出限额一旦用完,就会显示 "The job was not started because recent account payments have failed or your spending limit needs to be increased" 并让它们停下(该怎么办)。
Skipbox 为智能体的 CI 做了什么
每个套餐都附带你账号的专属机器,在作业之间一直保留:
- 状态保留下来:Docker 的镜像、层和构建缓存;
~/.npm、pnpm store、~/.cache,以及 Go、Gradle、Maven 和 Cargo 的缓存;setup-*安装的工具。检出目录也会保留,连同 Cargo 的target/,turbo 2 项目还有顶层的.turbo,所以下一次构建从上一次停下的地方接着进行。 - 分钟数不限,GitHub 预算或支出限额从不会让 Skipbox 的作业停下。
- 同时运行的作业数就是套餐的 vCPU:只要放得进账号所持套餐的 vCPU,作业就同时运行;其余的排队等待,账号页面会显示有多少在等、等了多久。一个 S 一次运行一个 4 vCPU 的作业;套餐可以任意组合叠加。
- 智能体自己的作业也能在这里运行:把它的
runs-on设为skipbox。
| 标签 | 机器 | 套餐 |
|---|---|---|
skipbox | 4 vCPU · 16 GB | S,每月 $39 |
skipbox-8x16 | 8 vCPU · 16 GB | M,每月 $79 |
skipbox-16x32 | 16 vCPU · 32 GB | L,每月 $149 |
在 4 vCPU 上每月 2万分钟,GitHub 收 $222;Skipbox S 是 $39。每月 3万分钟时,GitHub 是 $342。
切换只需改一行
jobs:
checks:
runs-on: skipbox # was ubuntu-latest
- 使用 GitHub 登录 Skipbox。
- 安装 Skipbox GitHub 应用,并选择仓库。
- 修改
runs-on并推送。
安全
- 这台机器只属于你的账号。不会运行其他公司的作业。
- 每个作业结束后,运行器的凭据、进程和容器都会被清除,保留下来的检出目录中的 git 凭据和未跟踪文件也一样。开启“每个作业用新虚拟机”后,每个作业改在一台新机器上运行。
- 没有写入权限的人提交的代码(例如来自复刻的拉取请求)在一台新的虚拟机上运行,它能读取你的缓存,但不能修改。
详情见作业如何隔离。
用智能体在等的作业试试
试用免费,为期 7 天 或 3,000 作业分钟,以先到者为准,无需绑卡。把智能体在等的作业改为 runs-on: skipbox,让智能体推送两次,再把第二次运行与 GitHub 上的对比。
常见问题
我的编程智能体开一个 PR,等 20 分钟 CI,修复,然后再等。怎样让 CI 快到跟得上智能体的循环?
按这个顺序缩短智能体要等的东西。让它在推送前先跑 lint、类型检查和受影响的单元测试,这样 CI 就不是第一个发现拼写错误的地方。新推送到达时取消这个拉取请求的旧运行(concurrency 加 cancel-in-progress)。把快速检查放进单独的作业,让智能体一两分钟就能读到失败信息。只运行改动影响到的测试。然后去掉每个作业都重复的准备工作:在一台在作业之间保留 Docker 层、包缓存和构建输出的机器上,astro 的 CI 从 GitHub 上的 528 秒降到了 Skipbox 上的 30 秒。
AI 智能体会让 CI 增加多少?
Anthropic 写道,它的 CI 作业量在 6 个月里增长了 25 倍,因为 Claude 偏好更小、更细粒度的拉取请求,智能体还会在夜里和周末推送。除非工作流取消、跳过或缩小它们,这些推送每一次都会把整个工作流再跑一遍。
大部分 PR 由 AI 智能体编写的团队,最好的 CI 配置是什么?
能快速回应智能体、又不按推送计费的配置:一个先出结果的快速作业跑 lint 和类型检查,慢的测试套件放在后面,取消拉取请求的旧运行,只跑受影响的测试,再加上在作业之间保留缓存的运行器。Skipbox 为每个账号提供专属机器,价格固定,分钟数不限;同时运行的作业数,取决于账号所持套餐的 vCPU 总数。
智能体会碰到 GitHub 的并发上限吗?
会。GitHub 托管的标准运行器同时最多运行的作业数:GitHub Free 20 个,Pro 40 个,Team 60 个,Enterprise 500 个;其余的排队。几个智能体同时推送带矩阵的拉取请求,很快就会碰到上限。在 Skipbox 上,只要放得进账号套餐的 vCPU,作业就同时运行,其余的排队等待,所以同时运行多个智能体的团队,会持有多个套餐或一个更大的套餐。
智能体自己的作业能在 Skipbox 上运行吗?
能。任何 Linux 作业都用 runs-on 选择机器,运行 Claude Code 操作的作业也一样。把它设为 skipbox,它就和你的 CI 在同一台机器上运行。
试用要花多少钱?
不花钱。试用为期 7 天 或 3,000 作业分钟,以先到者为准,无需绑卡,最多同时运行 4 个作业,每个 4 vCPU。把智能体在等的作业改为 runs-on: skipbox,给第二次运行计时。
更新于 2026年11月16日