Гайд · TNWS AI

Как кешировать pip-зависимости AI-тестов через actions/setup-python

19 сентября 2026 6 мин—

Пошаговая настройка кеша pip для тестов AI-проекта: requirements.txt, cache pip, воспроизводимая установка и диагностика.

Задача и границы применения

Сократить повторное скачивание пакетов при каждом PR, сохраняя явную установку зависимостей из файла проекта. AI-проект импортирует клиентскую библиотеку и валидатор ответов; даже если тест использует фикстуры без сети, окружение должно ставить зависимости. Встроенное кеширование setup-python не заменяет pip install: оно кеширует загрузки pip, а не гарантирует установленное окружение. Ниже — сценарий для собственного репозитория, а не обещание универсальной точности генеративной модели. Для демонстрации используются вымышленные обращения, которые не содержат персональных данных.

Актуальность названий полей, событий и версий actions проверена 19.09.2026 по официальным материалам GitHub. Если у вашего проекта другая структура каталогов или другой протокол AI API, адаптируйте пути и прикладной клиент после проверки его документации. Пример не содержит утверждений о тарифах, ценах или скорости.

Что подготовить до изменения workflow

Нужен репозиторий GitHub, доступ к его Actions и возможность добавить файл в каталог .github/workflows. Подготовьте тестовую ветку и одно синтетическое обращение с известным ожидаемым результатом. Не берите production-заявки: даже если runner временный, ввод и диагностика оказываются в истории запуска. Для Python-части используйте unittest из стандартной библиотеки; если в вашем проекте есть дополнительные импорты, установите их отдельно из контролируемого файла зависимостей.

До коммита запишите контракт: какие поля обязательно должны быть в результате, какие значения разрешены и при каком несоответствии job получает ненулевой код выхода. Сначала выполните тот же скрипт локально. Это позволяет различить ошибку Python от ошибки описания workflow. Если проверка обращается к внешней модели, разделите транспортную ошибку, отсутствие ключа и несоответствие ответа: эти причины требуют разного исправления.

Пошаговая настройка

Создайте нужные каталоги и файлы из блоков ниже; имена путей в YAML должны совпадать с именами файлов в репозитории. Файл workflow хранится внутри .github/workflows, а тестовый код — в tests или scripts согласно примеру.
Проверьте три секции YAML: on задаёт событие, permissions ограничивает встроенный токен, jobs содержит runner и последовательность шагов. Не вставляйте ключи или закрытые тексты в YAML.
Добавьте в корень проекта requirements.txt с настоящими зависимостями вашего приложения и проверенными закреплёнными версиями; здесь мы не выдумываем номера релизов сторонних пакетов. Сохраните YAML и тест из блока ниже. Убедитесь, что в репозитории действительно есть requirements.txt: setup-python использует файл зависимостей для ключа кеша. В Actions сравните первый и следующий запуск на одинаковом файле: диагностируйте hit/miss по логам, не обещая конкретного ускорения. При изменении зависимостей проверьте новый запуск и фактическую установку; кеширование не должно маскировать ошибки несовместимых версий. Если используется нестандартный путь к файлу, настройте cache-dependency-path согласно README action.
Сначала воспроизведите успешный вход, затем намеренно измените одно ожидаемое значение и убедитесь, что job падает. Проверка без негативного сценария не доказывает, что тест вообще способен обнаружить регрессию. После этого верните правильное значение и повторите запуск.
При сбое откройте конкретный job и шаг, а не ориентируйтесь только на общий статус workflow. Проверьте событие запуска, выбранную ветку, наличие файлов, код завершения скрипта и последние безопасные диагностические сообщения.

Готовый шаблон workflow

Скопируйте YAML; если в блоке указаны два имени файла, разделите его на два соответствующих файла. Ссылки на внешние actions и параметры проверены по их официальным README на 19.09.2026.

name: AI tests with pip cache
on:
  pull_request:
permissions:
  contents: read
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
          cache: 'pip'
      - name: Install dependencies
        run: python -m pip install -r requirements.txt
      - name: Run contract tests
        run: python -m unittest discover -s tests -v

Код или тестовая фикстура для копирования

Этот блок даёт исходную контрольную точку. Встраивая его в приложение, заменяйте демонстрационный нормализатор на собственный импорт, сохраняя контракт и синтетические тестовые входы.

# tests/test_prompt_contract.py
import unittest

def render_ticket(text):
    # Замените на детерминированную часть своего приложения.
    # Сетевой вызов модели здесь намеренно отсутствует.
    return {"priority": "high" if "срочно" in text.lower() else "normal",
            "summary": text.strip()}

class PromptContract(unittest.TestCase):
    def test_urgent_ticket(self):
        actual = render_ticket("Срочно: платеж не прошёл")
        self.assertEqual(actual["priority"], "high")
        self.assertEqual(actual["summary"], "Срочно: платеж не прошёл")

if __name__ == "__main__":
    unittest.main()

Реалистичный вход и ожидаемый результат

В репозитории есть requirements.txt и фикстура Срочно: платеж не прошёл. После установки тест выдаёт priority high. Первый запуск может создать кеш; последующий может его восстановить при совпавшем ключе, но pip install -r requirements.txt выполняется каждый раз. Перед тем как трактовать красный job как баг модели, убедитесь, что сравниваются значения одной и той же ревизии кода и одной и той же фикстуры. Не подменяйте ожидаемое значение фактически полученным: такое «исправление» отключит сигнал регрессии.

Разбор ошибок и ограничения

Если workflow не появляется в Actions, сперва проверьте расположение YAML и событие on; затем проверьте ограничения по путям и веткам. Если job есть, но падает на checkout или setup-python, отличайте инфраструктурную ошибку от провала прикладного утверждения. Если Python завершился с ошибкой импорта, проверьте реальные пути и зависимости. Если проблема только в содержании ответа, сохраните минимальный безопасный вход и точное различие ожидаемого и фактического полей.

В CI тестируется выбранный контракт, а не «качество ИИ вообще». Он не доказывает отсутствие галлюцинаций, безопасность всех возможных промптов или корректность каждой интеграции. Добавляйте отдельные фикстуры для отрицательных кейсов, пустого ввода, Unicode и граничных форматов, когда эти ситуации есть в вашем продукте. Для live API ограничивайте доступ к секрету и используйте отдельные тестовые данные. Не выводите заголовки Authorization, тело закрытого ответа или переменные окружения целиком.

Чек-лист перед слиянием

Workflow лежит в .github/workflows, а событие запуска соответствует задаче.
Скрипт работает локально на синтетическом входе и падает при намеренно нарушенном контракте.
Имена файлов, переменные окружения и пути в YAML совпадают с репозиторием.
Секреты не записаны в код, входные параметры, summary или диагностический файл.
Проверен успешный запуск и понятный неуспешный запуск; просмотрен конкретный job.
Код и тесты соответствуют ограничениям доверия для внешнего PR и правам токена.
Результат относится к актуальному коммиту, а не к предыдущей ревизии.

FAQ

Почему cache включён, но пакеты всё равно ставятся?

Кеш pip ускоряет доступ к скачанным дистрибутивам, а не хранит готовое активированное окружение. Шаг установки обязателен.

Что если requirements.txt нет?

Добавьте файл или укажите существующий поддерживаемый файл через cache-dependency-path; иначе не копируйте шаблон без адаптации.

Станут ли тесты воспроизводимыми автоматически?

Нет. Закрепите совместимые версии зависимостей и контролируйте изменения файла; кеш не является lockfile.

Можно ли доверять кешу из PR?

Не рассматривайте кеш как источник секретов или доказательство корректности пакета; соблюдайте модель доверия и проверяйте зависимости.

Как зафиксировать проверенный результат

После успешного запуска сохраните ссылку на конкретный run рядом с pull request: так ревьюер увидит проверенную ревизию. При следующем сбое сравнивайте не только цвет check, но и фикстуру, входные параметры, изменённые файлы и точный шаг ошибки. Если ослабили утверждение теста, объясните в PR, какой риск остался непокрытым, и добавьте отдельный сценарий. При переносе шаблона в другой репозиторий повторно проверьте структуру каталогов и разрешения: одинаковый YAML сам по себе не гарантирует одинаковую модель доверия. Не называйте демонстрационные результаты измерением качества или производительности AI-системы.

Официальные первоисточники

Проверено 19.09.2026. Описание синтаксиса и поведения: 1, 2, 3. Читайте первоисточники при переносе шаблона в другой репозиторий: доступность версии action или поддерживаемый синтаксис могут измениться.