CI: Dogfood shards and rerun-safety-nightly still present a #4250-style stall as hang-until-timeout — roll out run-with-stall-guard

[os-zhuang]

背景

#4309(closes 方向为 #4250 的止损)给 Test Core 加了 scripts/run-with-stall-guard.mjs:输出静默超过 --stall-minutes 即判定停摆 —— 打印判词(冻结时刻、最后一行输出、rerun 分诊指引)、杀掉测试进程组、exit 75(EX_TEMPFAIL)。同时由 guard 自己 tee 日志并透传真实退出码,退役了 … 2>&1 | tee + set -o pipefail 的掩红隐患。

但同样的停摆模式(#4250:输出冻结、job 挂 in_progress 直到兜底超时)在其余跑测试套件的 job 里仍是"挂到超时":

现状清单(截至 #4309 合并后的 main)

位置	现状	停摆的呈现
ci.yml → Dogfood 两个 shard 的 Boot example apps and exercise real user flows	set -o pipefail + 2>&1 | tee "$RUNNER_TEMP/dogfood.log",job timeout 45 分钟	挂最多 45 分钟。Dogfood 起真实 example app + 真实 HTTP 栈,恰是 #4250 怀疑的"真实引擎/句柄"高危区
rerun-safety-nightly.yml → pass 1 与 pass 2(同一工作树跑两遍全量,dogfood 含在内)	job timeout 120 分钟,无输出监测;pass 2 用 if ! pnpm turbo run test … 包着自定义 ::error 块	挂最多 120 分钟,且是 nightly,没人盯
(顺带评估)coverage-nightly.yml 的 spec 覆盖跑	无 tee,30 分钟 timeout,无停摆检测	挂最多 30 分钟

要做的事(纯搬运)

把上述测试步骤改为经 run-with-stall-guard.mjs 执行,阈值参考(健康时输出连续,阈值取最长静默间隔的 ~5 倍):

• Dogfood shard:--stall-minutes 10,--log "$RUNNER_TEMP/dogfood.log" 路径不变 → 后续的 Test completeness guard 无需改动;
• rerun-safety 两遍:--stall-minutes 10~15。pass 2 的 if ! 包装与 guard 兼容(停摆时 exit 75 同样进入 error 块),但注意该 error 文案断言"第二遍失败 = 状态泄漏" —— 停摆红会被它误导,建议区分 exit 75(停摆)与其它非零(真的 rerun-unsafe)两种文案;
• coverage-nightly 视改动成本顺手处理或明确豁免(说明原因)。

验收

• 跑测试套件的 workflow 中不再出现 … 2>&1 | tee + set -o pipefail 组合(ci.yml 里 No compiled test files in any dist 的 pipefail 是 find 检查,不在此列);
• 每个跑套件的 job:停摆阈值 ≪ job timeout,停摆以带判词的红呈现,而非 in_progress 挂到兜底。

相关

• CI: Test Core stalls mid-suite with frozen log output — three occurrences in one day, each costing a manual diagnosis + rerun #4250 —— 停摆现象与根因追踪(根因排查不在本 issue 范围)
• ci: convert Test Core mid-suite stalls into labeled fast failures (#4250) #4309 —— Test Core 的 guard 落地(实现与阈值取值的先例)