进阶 pydantic.dev 2026-11-20 05:57:40 · 6 阅读

第17章 Pydantic 借助 RunsOn 实现 CI 降本增效

Pydantic 在 RunsOn 上运行。我们于 9 月 1 日完成迁移,由它在我们的 AWS 账户中为 Logfire 的 GitHub Actions 工作流启动临时 EC2 runner。Logfire 的代码在 pydantic/platform 仓库中构建。此前,我们的 CI 混用了 GitHub Actions、Depot 和 Ubicloud。 为什么迁移?我们的 CI 账单从 6 月的 3,990 美元涨到 7 月的 10,778 美元,几乎是 4 月的三倍,8 月更是达到 18,200 美元。截至 8 月 30 日,Logfire 团队当月已合并 2,032 个 pull request,而 2025 年同样 30 天里同等规模的团队只合并了 365 个。随着团队拥抱 AI、交付速度前所未有地加快,CI 成本也随之暴涨。 增长并未放缓
月份CI 总成本runner 总分钟数
2026 年 4 月$3,813—
2026 年 5 月$3,665—
2026 年 6 月$3,990—
2026 年 7 月$10,778—
2026 年 8 月$18,2001,230,264
2026 年 9 月$5,7001,617,654
pydantic/platform 中的主 CI 工作流在 5 月运行了 4,194 次,6 月 6,669 次,7 月 11,919 次,截至 8 月 30 日已达 20,659 次。迁移后增长仍在继续:runner 分钟数从 8 月的 1,230,264 升至 9 月的 1,617,654,但 CI 总成本却降到了 5,700 美元。

我们交付的不是垃圾代码。我们发布的是真实产品,补上了重要的测试,扩大了浏览器覆盖范围,并大幅增加了自动化 review 的次数。AI 加速了这一切。一个曾经每月合并数百个 pull request 的仓库,现在每月合并数千个,其中大部分活动由 bot 发起并响应。RunsOn 让我们在不拖慢团队节奏的前提下消化了这些增长。

为什么选择 RunsOn

使用 RunsOn,GitHub 仍然负责编排每个工作流,而全新的 EC2 runner 在我们自己的 AWS 账户中启动,任务结束后即销毁。我们不必替换 GitHub 的 CI 控制平面,也不必自建 runner 平台来管控底层的机器、网络、存储和成本。

在我们的 AWS 账户中安装 RunsOn 并连接 GitHub 之后,普通任务只需要换一个 runner 标签并加上 RunsOn 的 setup action。容器构建则需要一些额外的缓存和镜像仓库配置。

GitHub Actions 和托管的 runner 服务让我们无需维护 runner 集群就能达到如今的规模。但当每月 runner 分钟数超过一百万时,我们希望对付费的机器有更多控制权。RunsOn 负责 runner 的生命周期管理,我们自己管理 AWS 账户、runner 目录、容量策略、存储、缓存策略、配额和遥测。按每天 22 个任务计算,RunsOn 就能收回成本——我们早已远超这个数字。

如今,我们的 runner 目录涵盖从单核 ARM 到 16 核镜像构建机。大部分 Python、TypeScript、agentic 和控制平面任务跑在 Graviton 上;需要 x64 的容器构建和测试仍保留 x64。每个预设包含多个可用的 EC2 机型,让 Spot 分配器有更多容量池可选。RunsOn 的 Magic Cache 在靠近 runner 的位置处理现有的 actions/cache 调用,粘性 EBS 磁盘则保留代价高昂的 BuildKit 状态。

我们没有把所有任务都放到 Spot 上。合并队列校验、发布、部署以及重启成本高的任务使用 On-Demand 实例。耗时长、对中断敏感的任务采用容量优先的 Spot 策略,较短的任务采用价格-容量优先策略。私有化部署横跨三个可用区,并配有熔断机制:中断突发时临时将新任务切换到 On-Demand。听起来很复杂,但繁重的活都由 RunsOn 干了。

9 月是我们在 RunsOn 上的第一个月,CI 总成本为 5,700 美元,比 8 月的 18,200 美元大幅下降。这里面包含 RunsOn 许可费和全部 AWS 开销:计算、EBS、S3 缓存存储和数据传输。

我们的经验

以下三条原则比任何具体机型选择都更重要:

  • 在重试成本低的地方用 Spot。合并队列和发布路径保留在 On-Demand 容量上。
  • 按关键路径来选型。最便宜的 runner,是能在最低总成本下满足工作负载延迟要求的那一个。
  • 让缓存靠近计算资源。只在还有可能被复用的时候保留它。

AI 提升了我们的交付量,CI 账单随之水涨船高。我们没有叫停那些 agent,而是改动了它们的构建和测试运行的位置,并在工作负载增长的过程中持续调优机器、缓存和容量。

评论 (0)