微软 ONNX Runtime 仓库突然 404:你的项目,可能并不真正属于你

一个拥有 2.2 万 GitHub Stars 的明星开源项目突然无法访问,给所有开发者敲响了警钟:如果有一天 GitHub 上的依赖消失了,你的项目还能正常构建吗?

微软 ONNX Runtime 仓库突然 404:你的项目,可能并不真正属于你

一个拥有 2.2 万 GitHub Stars 的明星开源项目突然无法访问,给所有开发者敲响了警钟:如果有一天 GitHub 上的依赖消失了,你的项目还能正常构建吗?

最近,开发者社区出现了一件比较意外的事情。

微软旗下的开源项目 ONNX Runtime ,其 GitHub 仓库 microsoft/onnxruntime 突然返回了 404。

没有常规的仓库归档提示,也没有明显的迁移公告。开发者访问原来的地址,只能看到熟悉的 Not Found。

这不是一个普通的小型开源项目。

ONNX Runtime 是微软主导的跨平台机器学习推理引擎,被大量 AI 应用、推理框架和开发工具使用。Python、C++、C#、Java、JavaScript 等生态中,都能看到它的身影。

更值得注意的是,这次异常并没有让所有使用者同时受到影响。

PyPI 上的 onnxruntime 安装包仍然可以获取,官方文档和 NuGet 包也仍然存在。

真正消失的是 GitHub 上的源代码仓库,以及与仓库关联的部分资源,包括 Release 文件、Submodule、Issue 历史和安全讨论。

这意味着:

如果你的项目只是通过 PyPI 安装 ONNX Runtime,可能暂时没有感知;但如果你的 CI 直接从 GitHub 下载源码、Release 二进制文件,或者通过 Git Submodule 引入它,就可能直接构建失败。

这件事真正值得关注的,并不是 ONNX Runtime 为什么突然消失,而是一个更现实的问题:

我们每天依赖的开源基础设施,到底有多少并不掌握在自己手里?


一、一个 GitHub 404,为什么会影响整个开发团队?

很多开发者对依赖管理的理解,可能还停留在:

bash 复制代码
npm install
pip install
cargo build

只要依赖包能安装,项目就能正常运行。

但实际上,软件构建过程远比这复杂。

以一个普通的 AI 应用为例:

  • Python 依赖通过 PyPI 获取。

  • Rust 依赖通过 crates.io 获取。

  • JavaScript 依赖通过 npm 获取。

  • 底层推理引擎通过 GitHub Release 下载。

  • 模型权重通过 Hugging Face 获取。

  • CI/CD 通过 GitHub Actions 执行。

  • Docker 构建时还会从其他仓库拉取脚本和二进制文件。

你以为自己只依赖了几个包管理器,实际上构建流程可能在几十个不同的网站之间跳转。

问题就在这里。

包管理器提供的依赖,不等于项目完整的构建依赖。

举个例子:

你的 Python 项目可能只写了:

bash 复制代码
pip install onnxruntime

这种情况下,PyPI 已经提供了发布好的 Wheel 包,通常不需要直接访问 ONNX Runtime 的 GitHub 源码仓库。

但是,如果你的构建脚本中存在:

bash 复制代码
git clone https://github.com/microsoft/onnxruntime.git

或者:

bash 复制代码
curl -L https://github.com/microsoft/onnxruntime/releases/download/v1.32.0/onnxruntime-linux-x64-1.32.0.tgz

那么情况就完全不同了。

即使 PyPI 上的安装包仍然存在,你的源码构建和二进制下载也可能失败。

这就是这次事件最值得警惕的地方:

一个项目可以正常运行,但你未必还能重新构建出它。

对于有 CI/CD、自动部署和持续交付需求的团队来说,这种风险尤其明显。


二、真正危险的不是 GitHub,而是你不知道自己依赖了多少外部资源

原文作者 KarmaBox 提出了一个概念:Upstream Risk,也就是上游依赖风险。

简单理解:

你使用的代码、模型、二进制文件和构建工具,都托管在别人的基础设施上。一旦对方删除仓库、修改访问权限、调整下载策略,甚至停止维护,你的项目就可能受到影响。

我认为,这个问题可以拆成五个方面。

1. Git 依赖:你可能直接依赖别人的仓库

很多项目为了使用某个尚未发布的功能,会直接引用 GitHub 仓库。

例如 Python:

bash 复制代码
git+https://github.com/user/project.git

Rust:

bash 复制代码
[dependencies]
some-lib = {
    git = "https://github.com/user/some-lib"
}

JavaScript:

bash 复制代码
{
  "dependencies": {
    "some-lib": "github:user/some-lib"
  }
}

这种方式非常方便,但也意味着每次全新构建都可能需要访问上游 Git 仓库。

如果这个仓库突然变成私有、被删除或者无法访问,新的构建环境就可能无法获取依赖。

建议:

优先使用正式发布到包管理器的版本。确实需要 Git 版本的依赖,则考虑 Fork 到自己的组织,或者建立内部镜像。

2. Git Submodule:最容易被忽略的构建风险

很多大型项目都会使用 Submodule 管理第三方代码。

例如:

bash 复制代码
git submodule update --init --recursive

看起来只是初始化项目依赖,但实际上 Git 会根据 .gitmodules 中记录的地址,重新下载对应仓库。

可以通过下面的命令检查:

bash 复制代码
git config --file .gitmodules --list

如果其中存在多个第三方 GitHub 地址,就需要关注这些仓库的可用性。

尤其是大型 C++、Rust、AI 项目,底层依赖可能包含推理引擎、图像处理库、硬件加速组件等。

主项目还在,并不代表所有 Submodule 都能正常获取。

3. Docker 和构建脚本:一个 curl 就可能让部署失败

检查一下你的 Dockerfile、Makefile 和安装脚本。

例如:

bash 复制代码
RUN curl -L \
  https://github.com/ORG/REPO/releases/download/v1.0/tool.tar.gz \
  -o tool.tar.gz

这种写法在平时非常方便。

但如果上游仓库不可访问,Docker 镜像就无法重新构建。

更麻烦的是,生产环境可能一直运行正常,直到某一天需要重新部署、扩容或者迁移服务器,才发现依赖资源已经无法下载。

建议将关键二进制文件存放在自己的 Artifact Storage 中,并记录原始下载地址和 SHA256 校验值。

4. GitHub Actions:固定 Commit 不代表永远可用

很多开发者会使用:

bash 复制代码
steps:
  - uses: actions/checkout@v4

  - uses: some-user/some-action@v2

为了安全,有人会进一步固定到 Commit SHA。

例如:

bash 复制代码
- uses: some-user/some-action@a1b2c3d4...

这确实可以降低依赖版本被悄悄替换的风险。

但它不能解决仓库消失的问题。

因为即使你固定了 Commit SHA,GitHub Actions 仍然需要从对应仓库获取代码。

仓库不存在,Commit SHA 也就无法正常下载。

对于关键的第三方 Action,可以考虑将代码复制到自己的项目中:

bash 复制代码
- uses: ./.github/actions/my-action

或者 Fork 到自己的组织。

5. AI 模型:比代码依赖更值得担心

这一点我认为尤其重要。

现在大量 AI 应用依赖 Hugging Face、ModelScope 等平台获取模型文件。

常见格式包括:

bash 复制代码
.onnx
.gguf
.safetensors
.bin
.pt

模型权重通常非常大,从几百 MB 到几十 GB 不等。

很多项目为了节省存储空间,并不会在自己的服务器上保存完整模型,而是在应用启动时自动下载。

问题是,模型仓库的访问策略、授权要求和文件托管方式都可能发生变化。

有些模型还需要用户接受许可证才能下载。

除了模型权重本身,还有一些容易被忽略的小文件:

  • tokenizer.json

  • tokenizer_config.json

  • config.json

  • generation_config.json

  • chat_template.jinja

这些文件虽然不大,却可能直接影响模型加载和推理结果。

如果只备份模型权重,不备份完整的模型目录,最终仍然可能无法正常运行。


三、开发者可以怎样检查自己的项目?

原文提供了一套非常实用的审计思路。

不需要部署复杂的安全扫描平台,只需要在项目根目录执行一些命令,就能发现不少潜在问题。

第一步:检查依赖锁文件

bash 复制代码
grep -n "github.com" \
  package-lock.json \
  yarn.lock \
  pnpm-lock.yaml \
  requirements*.txt \
  poetry.lock \
  Pipfile.lock \
  go.sum \
  Cargo.lock 2>/dev/null

主要检查有没有直接从 GitHub 获取的依赖。

注意,不同生态的锁文件格式不同。例如 Python 需要重点关注 git+https,JavaScript 需要关注 Git URL 和 GitHub Tarball。

Go 项目则需要结合 go.mod 中的 replace 指令判断,不能简单把 go.sum 中出现的 GitHub 字符串都视为直接依赖。

发现问题之后,先判断是否已经存在正式发布版本。

如果有,尽量切换到 PyPI、npm、crates.io 等正式包管理器。

第二步:检查 Submodule

bash 复制代码
git config --file .gitmodules --list

把所有 Submodule 地址记录下来。

对于无法替代的关键依赖,建议建立自己的镜像。

第三步:检查 Docker 和脚本中的外部下载

bash 复制代码
grep -rn \
  "github.com.*releases/download\|raw.githubusercontent.com\|git clone" \
  Dockerfile* Makefile scripts/ 2>/dev/null

重点关注:

  • GitHub Release 下载地址。

  • Raw 文件地址。

  • 安装脚本中的 Git Clone。

  • Docker 构建时下载的第三方工具。

这些资源应该尽可能转移到自己控制的存储空间。

第四步:检查 GitHub Actions

bash 复制代码
grep -rn "uses:" .github/workflows/ 2>/dev/null

把所有第三方 Action 列出来。

优先处理由个人维护、没有明确组织保障、但又掌握 CI 权限的 Action。

第五步:检查 AI 模型资源

bash 复制代码
grep -rn \
  "huggingface.co\|cdn-lfs\|\.onnx\|\.gguf\|\.safetensors" \
  --include="*.py" \
  --include="*.yaml" \
  --include="*.toml" \
  . 2>/dev/null

检查模型是否在运行时直接从公共平台下载。

尤其需要确认生产环境使用的模型文件,是否有完整的本地备份。

最后:生成一份依赖清单

bash 复制代码
grep -rhoE \
  "github.com/[A-Za-z0-9_.-]+/[A-Za-z0-9_.-]+" \
  --include="*.json" \
  --include="*.lock" \
  --include="*.yml" \
  --include="*.yaml" \
  --include="*.toml" \
  --include="*.txt" \
  --include="Dockerfile*" \
  . 2>/dev/null | sort -u

这样可以初步列出项目中出现过的 GitHub 仓库地址。

注意,这只是快速排查,并不能覆盖所有依赖来源。还需要结合安装脚本、Dockerfile、CI 配置和实际构建日志检查。


四、真正靠谱的解决方案:建立自己的依赖镜像

检查出问题之后,下一步不是把所有依赖都复制一遍。

而是区分哪些资源值得自己保存。

我比较认同原文的一个判断标准:

如果这个资源今晚突然消失,你的业务会停止,还是只是让开发者抱怨一会儿?

前者值得备份,后者不一定需要。

1. Git 仓库镜像

Git 自带一个非常实用的功能:

bash 复制代码
git clone --mirror \
  https://github.com/ORG/REPO.git \
  /mirrors/REPO.git

--mirror 会尽可能完整地复制仓库的分支、标签和 Git 引用。

之后可以定期更新:

bash 复制代码
git -C /mirrors/REPO.git remote update --prune

也可以把自己的 Git 镜像托管在:

  • 自建 Git 服务

  • GitLab

  • Gitea

  • 内部 Git 服务器

需要注意,普通 Git Mirror 并不等于完整备份。

有两个容易遗漏的地方:

Git LFS:

bash 复制代码
cd /mirrors/REPO.git
git lfs fetch --all

Git LFS 中的大文件需要单独获取,普通镜像可能只复制指针文件。

GitHub Release:

Release 附件并不属于普通 Git 对象数据库。

因此还需要单独下载:

bash 复制代码
gh release list \
  --repo ORG/REPO \
  --limit 200

再使用:

bash 复制代码
gh release download v1.2.3 \
  --repo ORG/REPO \
  --dir ./mirrors/assets/v1.2.3

不要以为执行一次 git clone --mirror 就备份了整个项目。

2. Python:建立 Wheelhouse

Python 可以非常方便地离线保存依赖:

bash 复制代码
pip download \
  -r requirements.txt \
  -d ./wheelhouse

之后即使外部 PyPI 暂时无法访问,也可以使用本地文件安装:

bash 复制代码
pip install \
  --no-index \
  --find-links=./wheelhouse \
  -r requirements.txt

对于需要长期维护的 Python 服务,这是一个很实用的方案。

3. JavaScript:使用 Verdaccio

Node.js 生态可以考虑部署 Verdaccio。

它是一个轻量级的私有 npm Registry,支持缓存上游 npm 包。

构建流程变成:

bash 复制代码
项目
  ↓
自己的 npm Registry
  ↓
本地缓存
  ↓
npm 官方 Registry

这样常用依赖下载过一次之后,就可以优先从自己的缓存获取。

4. Docker:使用 Registry Mirror

容器镜像也应该有自己的缓存策略。

可以使用 Harbor、Artifactory 等工具管理镜像。

另外,Dockerfile 中尽量不要只使用浮动 Tag:

bash 复制代码
FROM python:3.12-slim

更稳妥的方式是固定镜像 Digest:

bash 复制代码
FROM python:3.12-slim@sha256:YOUR_DIGEST

这样可以避免同一个 Tag 在不同时间指向不同镜像。

当然,固定 Digest 也不能替代镜像缓存,关键镜像仍然需要确保能够重新获取。

5. AI 模型:备份完整模型目录

对于 AI 项目,我更建议直接保存完整模型目录,而不是只备份权重文件。

例如:

bash 复制代码
models/
  my-model/
    config.json
    tokenizer.json
    tokenizer_config.json
    generation_config.json
    model.safetensors

同时记录文件 SHA256:

bash 复制代码
find models/my-model -type f -exec shasum -a 256 {} \;

生产环境应该优先使用自己控制的模型存储。

公共模型平台可以继续作为更新来源,但不要让它成为唯一的运行时依赖。


五、还有一个重要步骤:真正断网测试一次

我觉得原文中最值得借鉴的,并不是建立镜像,而是它提出的一个验证方式:

定期让 CI 在无法访问公共依赖源的环境中构建项目。

为什么?

因为很多团队虽然做了缓存,但实际上构建流程仍然偷偷访问外部网络。

例如:

  • Docker 构建时临时下载了一个工具。

  • 某个 Python 包安装时执行了 Git Clone。

  • 模型初始化时自动请求 Hugging Face。

  • 某个 Action 每次运行都需要访问上游仓库。

平时网络正常,这些问题根本不会暴露。

可以专门建立一个离线构建任务:

bash 复制代码
每周定时触发
      ↓
启动隔离构建环境
      ↓
屏蔽公共依赖源
      ↓
只允许访问内部镜像
      ↓
执行完整构建
      ↓
测试通过 / 记录失败依赖

如果项目无法在这种环境中完成构建,就说明依赖镜像还不完整。

另外,建议维护一份 MIRROR_MANIFEST.txt:

bash 复制代码
Repository: microsoft/onnxruntime
Version: 1.32.0
Original URL: https://github.com/microsoft/onnxruntime
Artifact: onnxruntime-linux-x64-1.32.0.tgz
SHA256: <actual-sha256>
Mirror: https://git.example.com/mirrors/onnxruntime
Last Verified: YYYY-MM-DD

这里的 SHA256 必须来自实际下载文件,不能随意填写。

这样即使几年后更换 CI 平台、服务器或者开发团队,也能够知道每个依赖从哪里来、备份在哪里,以及如何验证它。


六、写在最后:开源不等于永远可用

这次 ONNX Runtime 的 GitHub 404 事件,其实给开发者上了一课。

我们一直在讨论开源软件的自由、技术共享和社区协作。

但在实际开发中,还有一个经常被忽略的问题:

你有权使用一个开源项目,并不意味着你拥有它的托管服务、构建资源和持续交付能力。

GitHub 是一个非常优秀的开发协作平台,但它不是你的私人备份服务器。

PyPI、npm、Hugging Face 也一样。

它们让开发变得更加简单,却不应该成为你业务唯一的基础设施。

尤其是现在 AI 应用越来越依赖大型模型、推理引擎和各种外部工具链,依赖关系已经远远超出了传统的软件包管理范围。

一个项目可能有几十个直接依赖,却有数百个间接依赖。

你可能知道自己用了什么框架,却不知道构建过程中究竟从多少个外部地址下载过文件。

所以,我觉得每个认真维护的软件项目,都应该有三个基本能力:

  1. 可追溯: 知道自己的代码、模型、二进制文件来自哪里。

  2. 可恢复: 关键依赖有自己的镜像和备份。

  3. 可离线构建: 即使公共仓库暂时无法访问,也能重新构建出可用的软件。

不需要一开始就搭建复杂的企业级供应链系统。

先检查自己的 Lockfile、Submodule、Dockerfile 和 CI 配置,再把真正重要的依赖保存下来。

可能只需要一个下午。

但这一个下午,或许能避免未来某一天,因为一个陌生的 404 错误,让整个项目停摆。

不要等到依赖消失的那一天,才发现自己从来没有真正拥有过它。

编辑注 :可以结合英特尔和微软的扩大合作是否有关联, 毕竟英特尔也会fork 这个仓库,还设计18A-P落地 ?

编辑精选:

Mac 上终于有一个不用折腾的文件对比工具了

Reminder 2.0 上线:让桌面上的小猫,替你记住重要的事

黄仁勋辞职后,内部员工投票,97%的员工希望他回归

2026 年值得推荐的 10 款 Mac 软件:从日常必备到新颖实用工具

Mac 有什么好用的压缩软件?Keka、The Unarchiver、BetterZip、NueZip 对比推荐

相关推荐
锋行天下20 分钟前
LangGraph 对接 MCP 实战指南:从本地开发到线上部署与模型防坑
前端·人工智能·后端
汤姆宝库35 分钟前
解码采样策略的实现:temperature、top-p、min-p与重复惩罚
人工智能
鶴哥只手遮天36 分钟前
《WeKnora 深度技术解析》第 5 章 数据底座:多租户模型、仓储与迁移
人工智能
guuguo1 小时前
【做个开源软件】Mac 上 node 进程莫名吃掉 6G 内存?给 AI / MCP 做了个深度归因和安全回收工具
人工智能·开源·github
双鱼大猫2 小时前
opencode 吃掉 100G 空间:Agent 会话数据要分级清理
人工智能·agent·ai编程
用户5833339816682 小时前
RPA 流程的异常处理设计:重试、降级与告警,生产环境实战指南
人工智能
sanxing三省3 小时前
DeepSeek Harness 到底是什么?标题里最重的词其实不是「DeepSeek」
前端·人工智能·deepseek
合尘猫3 小时前
用 6GB 显卡搭短视频产线:MiniMax H3 + ffmpeg 全流程实录(55 秒片 / 40 分钟)
人工智能·音视频
ZONGYUAN-ROOT4 小时前
【自愈治理】自愈式数据管道:大规模公开数据采集的治理方法
人工智能