内容简介

《AI-Infra 开源贡献指南》是一组共四篇的系列文章，面向已经能读懂一部分源码、想把自己的第一个改动合入 PyTorch、vLLM 这类大型 AI-Infra 项目的工程师。它不讲任何一层的技术原理，只讲一件事：如何进入并参与建设一个百万行的开源项目。

它回答的问题是：

面对一个百万行的开源项目，如何找到切入点、做出一个能被合入的改动？¹

这个问题在技术上并不深，却拦住了很多有能力的人。一个能写出高质量 kernel 的工程师，可能在 PyTorch 的 aten/ 目录前不知从何读起；一个能修 bug 的人，可能不知道 vLLM 的 CI 为什么没有跑、PR 为什么三周没人看。这些障碍与 CUDA 或 Python 无关，与项目的运作方式有关：

• 代码怎么组织：→ 目录地图、入口点、符号追踪、测试即文档、历史即注释
• 工作从哪里来：→ issue 标签、RFC、roadmap、CI 失败、性能回归、文档与类型缺口
• 改动怎么被接受：→ 最小 diff、测试、benchmark、PR 描述、CI 矩阵、review 往返
• 人怎么打交道：→ maintainer 的时间预算、review 文化、被拒后怎么办、AI 辅助的项目政策

系列以 PyTorch 和 vLLM 为主要样本，因为它们是当前 AI-Infra 最活跃的两个开源项目，也是两种典型风格的代表：PyTorch 是一个有十年历史、治理成熟、流程厚重的框架；vLLM 是一个两周发一版、两三天回复一次 review、规则还在快速演化的引擎。同一个环节，两个项目的做法往往不同：

学会在这两个项目里做贡献，迁移到 NCCL、Megatron-LM、FlashAttention、Triton、SGLang 的成本很低——它们的流程都是这两种风格的变体。

第四篇会选取两个已经合入的真实 PR，各自从 issue 到合入完整走一遍，把前三篇讲的方法落到具体的 diff、CI 日志和 review 对话上。

缩写

为什么写这个系列？

技术能力和贡献能力是两回事

AI-Infra 的学习路径最终指向一个目标：能够阅读、修改和贡献核心项目。前两步在每一层的技术材料里都有覆盖，第三步却几乎没有人系统地讲。结果是很多工程师停在”能在本地改出来”和”能合进上游”之间：

• 花一周写了一个 kernel，提交后发现三个月前已经有人开了 PR；
• 改动是对的，但 PR 一次改了 40 个文件，reviewer 不知道从哪看起，搁置；
• 测试过了，但没有 benchmark 数据，reviewer 问”快了多少”，答不上来；
• CI 红了，不知道是自己的问题还是 main 本来就是红的；
• 提了 issue 描述一个新功能，附上一大段方案，被 maintainer 直接关闭。

这些失败与技术水平无关，是不知道项目的规则。规则大部分写在仓库里——CONTRIBUTING.md、PR 模板、CI 配置、merge 规则——但散落各处，没有人告诉你先看哪个。

大型代码库需要一套专门的阅读方法

PyTorch 的源码树有几百万行，test/ 目录下有两百多个条目；vLLM 小一些，也远超一个人能通读的规模。面对这种体量，”从头读”和”随便点开一个文件读”都是错的。有效的读法是有目标的：从一个符号、一个报错、一个 issue 出发，用工具追到底，只读路径上的东西。这套方法需要练习，也需要知道每个项目自己提供了哪些辅助：PyTorch CONTRIBUTING.md 里的 “Codebase structure” 一节、torchgen 生成的代码在哪里、vLLM 的 docs/contributing/ 目录、两个项目的测试如何按目录组织。

每个项目的规则都在变，但变化有规律

近两年这些项目的贡献规则变化很快，最显著的是对 AI 辅助贡献的态度。PyTorch 在仓库根目录新增了 AI_POLICY.md（CONTRIBUTING.md 的 “AI-Assisted Development” 一节指向它），要求新贡献者的 PR 必须对应一个带 actionable 标签的 issue；vLLM 在仓库根目录放了 AGENTS.md，明确”纯 agent PR 不允许”、”违反可能被自动封禁”。同时 CI 也在变：vLLM 的 .buildkite/test-pipeline.yaml 在 2026 年初被拆分成 .buildkite/test_areas/ 下按领域组织的多个文件；PyTorch 在 lintrunner 之上加了 spin lint / spin fixlint 这层包装，PR 模板的 checklist 里写的已经是后者。

细节会继续变，但背后的逻辑稳定：maintainer 的 review 时间是项目最稀缺的资源，所有规则都是为了保护它。理解了这一点，就能在规则变化后自己推导出新的做法。本系列讲规则，更讲规则背后的逻辑。

现有材料的断层

• 项目自己的贡献文档是权威来源，但它们假设读者已经知道开源怎么运作，只讲本项目的特殊之处，而且分散在 CONTRIBUTING.md、wiki、issue 模板、CI 配置里；
• 通用的开源贡献指南讲 fork、branch、PR 的基本操作，不涉及百万行项目的阅读方法，也不涉及 benchmark 数据、CI 硬件矩阵这些 AI-Infra 特有的要求；
• “我的第一个 PyTorch PR”类博客记录了一次经历，缺少可迁移的方法。

本系列想填补的是从”会用 git 和 GitHub”到”能在 PyTorch 或 vLLM 里独立完成一次从 issue 到合入的全流程”之间的那段路。

适合哪些读者？

已经掌握某一层技术、准备做第一次贡献的工程师

你已经能读懂 PyTorch 或 vLLM 的某一部分源码——也许是一类算子、调度器、某个通信路径——并且在本地改出过能跑的东西。你想知道的是：怎么把它变成一个上游愿意合入的 PR。这是本系列的主要读者。

已经提过 PR 但没有合入、或者合入过程很痛苦的开发者

你的 PR 被搁置、被要求拆分、被要求补 benchmark、或者在 review 往返中耗尽了耐心。本系列的第三篇专门讨论这些情况：哪些是可以避免的，哪些是正常的成本，被拒之后怎么办。

需要在团队内推动”向上游贡献”的技术负责人

你的团队维护着一份 PyTorch 或 vLLM 的内部 fork，每次升级都要重新打补丁。把改动推回上游是唯一的长期解法，但团队成员不知道从哪开始。本系列可以作为团队的入门材料，第四篇的两个走读可以直接用作范例。

系列的整体主线

四篇文章按一次贡献的自然顺序推进：先读懂、再找到、再做出、最后看两个完整的实例：

1. 第一篇：读懂一个百万行的代码库 —— 目录地图、入口点、符号追踪、测试与历史
2. 第二篇：找到切入点 —— issue、RFC、roadmap、CI 失败、性能回归、缺口
3. 第三篇：做出一个能被合入的改动 —— diff、测试、benchmark、PR、CI、review
4. 第四篇：两个真实 PR 的完整走读 —— PyTorch 一个，vLLM 一个

三条交织的线索：

方法线：有目标的阅读 → 有依据的选题 → 可验证的改动 → 完整流程的复盘
工具线：ripgrep/clangd/git log → gh CLI/标签/项目看板 → lintrunner/pre-commit/CI 配置 → PR 页面与 CI 日志
项目线：PyTorch 与 vLLM 各自的目录、文档、标签、CI、review 规则，逐篇对照

前三篇每篇都同时用 PyTorch 和 vLLM 做例子，把两个项目在同一环节的做法并排放在一起；第四篇把三篇讲的东西在两个真实 PR 上串起来。每一篇都有同样的四段结构：

• 问题：一个贡献者在这个环节典型的失败方式
• 方法：与项目无关的通用做法，以及它背后的理由（几乎总是”节省 reviewer 的时间”）
• 两个项目：PyTorch 和 vLLM 各自的文件、规则与工具，给出真实路径
• 贡献日志：读者在自己的日志里应该新增哪一页

章节结构与分章导读

1. 读懂一个百万行的代码库

第一篇讲阅读方法。它不假设读者要读哪一层的代码，只讲面对任何一个大型项目时应该做的几件事，以及 PyTorch 和 vLLM 各自提供了什么辅助。

这一篇会覆盖：

• 先画目录地图再读代码：PyTorch 的 c10/ → aten/ → torch/csrc/ → torch/ 分层，torchgen/ 与 native_functions.yaml 生成的代码在哪里；vLLM 的 vllm/ 与 csrc/ 的分工，vllm/v1/ 引擎与 vllm/model_executor/ 的位置；CONTRIBUTING.md 的 “Codebase structure” 一节和 docs/contributing/ 目录是两个项目自带的地图；
• 找到入口点：一个 Python API 调用最终落到哪个文件，一个 CLI 命令从哪里开始；PyTorch 的 torch/_C/ 绑定与 vLLM 的 vllm/entrypoints/；
• 构建一次：不构建就没有 compile_commands.json，clangd 就无法跳转；PyTorch 的 pip install -e . --no-build-isolation 与只做 Python 开发时的 tools/nightly.py；vLLM 的 VLLM_USE_PRECOMPILED=1 uv pip install -e . 与 docs/contributing/incremental_build.md 描述的 CMake 增量编译；
• 从一个符号追到底：ripgrep 的用法、clangd 的跨文件跳转、Python 侧的 inspect 与断点；宏和代码生成造成的”找不到定义”怎么处理；
• 用测试当文档：PyTorch 的 test/ 按主题组织（test_*.py、distributed/、inductor/、cpp/），torch/testing/_internal/ 下的 TestCase、instantiate_device_type_tests、OpInfo；vLLM 的 tests/ 按子系统组织（kernels/、distributed/、models/、entrypoints/、evals/）；一个函数的测试往往是它最准确的规格说明；
• 用 git blame 与 git log 读历史：一行代码为什么是这样，答案通常在引入它的那个 commit 的 PR 描述里；PyTorch 的 commit message 带 Pull Request resolved: 链接，顺着它能找到当时的讨论；
• 读 changelog 与 release note：RELEASE.md 说明两个项目的发布节奏（PyTorch 按固定日程切 release 分支，近期约两个月一个 minor 版本，并有 cherry-pick 规则；vLLM 约两周一版，minor 版本号递增），决定了改动什么时候能进到用户手里。

核心问题是：

给你一个从未见过的百万行仓库和一个报错信息，两小时之内你能把它定位到一个文件的一个函数吗？靠什么？

实践：为自己选定的项目建立一份”项目地图”——目录职责、构建命令、测试入口、常用 grep 模式——这是全系列贡献日志的第一页。

2. 找到切入点：从 issue、RFC 到性能回归

第二篇讲选题。大多数失败的贡献不是做错了，而是选错了：选了没人要的、选了别人已经在做的、选了需要先讨论却直接动手的。

这一篇会覆盖：

• issue 标签体系：vLLM 的 good first issue 与 new-model 标签、docs/contributing/README.md 里的 “Job Board” 与 onboarding 任务看板；PyTorch 以 module: 前缀的模块标签（.github/labeler.yml、label_to_label.yml 定义了自动打标规则）、actionable 标签的含义；标签是 maintainer 表达”我们想要什么”的主要渠道；
• RFC 与 roadmap：PyTorch 的大改动走 pytorch/rfcs 仓库，vLLM 用 .github/ISSUE_TEMPLATE/750-RFC.yml 模板（Motivation、Proposed Change、Feedback Period 通常至少一周、CC List），超过 500 行的架构改动要求先有 RFC（docs/contributing/README.md 提到会打 rfc-required 标签，但截至 2026-09 该标签并不在仓库标签列表中——文档与实践不同步是这类项目的常态，正文会讨论怎么对待）；roadmap issue 是找”maintainer 想做但没人手”的工作的地方；
• CI 失败：vLLM 的 docs/contributing/ci/failures.md 描述了 CI 失败看板和 [CI Failure] issue 模板；PyTorch 的 HUD 显示 main 上哪些任务在红；修一个已知的 flaky test 是低风险、高感谢度的切入点；
• 性能回归：vLLM 的 700-performance-discussion.yml issue 模板与 benchmarks/ 目录；PyTorch 的 benchmarks/ 下按子系统组织的 benchmark 套件；一个带复现脚本和数字的回归报告本身就是贡献；
• 文档与类型缺口：过时的 docstring、缺失的类型标注、和实际行为不一致的说明；这类改动门槛低，但两个项目现在都明确不欢迎”单个 typo”式的一次性 PR，要成规模、成体系地做；
• “别人不愿做但有价值”的工作：补测试覆盖、给旧代码加 deprecation warning（vLLM 有 docs/contributing/deprecation_policy.md）、把 issue 里的复现整理成测试用例、对硬件适配路径做验证；
• 先讨论再动手：在 issue 里留言说明意图和方案概要，等 maintainer 回应；PyTorch 没有”认领” issue 的机制（assignee 由 maintainer 设置）、新功能的门槛很高，vLLM 要求大改动先有 RFC；
• 查重：动手前用 gh issue view --comments 和 gh pr list --search 检查有没有人在做同一件事，vLLM 的 AGENTS.md 把这一步列为强制项。

核心问题是：

一个项目每天新增几十个 issue、几十个 PR。maintainer 最希望有人来做的是哪一类工作？你怎么判断自己选的题不会在一周后被关闭？

实践：从 PyTorch 或 vLLM 各挑三个候选切入点，用统一的表格记录：来源（标签/RFC/CI/回归）、是否已有人在做、预计规模、需要先讨论还是可以直接做；最后选定一个。

3. 做出一个能被合入的改动

第三篇讲从改动到合入的全部工程。技术上正确只是必要条件，一个能被合入的改动还要让 reviewer 用最少的时间确认它正确、有价值、不会带来维护负担。

这一篇会覆盖：

• 最小 diff：一个 PR 只做一件事，不顺手重构、不顺手格式化无关文件；PyTorch 的 CI 用 pr-sanity-check.sh 对超过 2000 行的 PR 直接报错（需 skip-pr-sanity-checks 标签才能绕过），wiki 也把”PR 太长”和”改了无关代码”列为最常见的错误；大改动怎么拆成可独立合入的小块，PyTorch 的 ghstack 工作流如何支持一叠相互依赖的 PR；
• 测试：改动必须带测试，或者说明为什么不能测；PyTorch 用 torch/testing/_internal/common_utils.py 的 TestCase 与 run_tests，数值测试用 instantiate_device_type_tests 做成设备无关；vLLM 用 pytest，AGENTS.md 给出的原则是”先设计再写、复用已有测试文件、一个测试一个行为、不在 tests/ 里放一次性 kernel benchmark”；
• benchmark 数据：性能改动必须附数字——前后对比、测量方法、硬件、shape；vLLM 的 kernel benchmark 放 benchmarks/kernels/，端到端用 vllm bench serve|throughput|latency（旧的 benchmarks/benchmark_*.py 在 v0.28.0 里只剩打印弃用提示的桩）；PyTorch 的 PR 模板把”性能相关 PR 附 benchmark 结果”列入 checklist；
• 本地 lint：PyTorch 的 .lintrunner.toml 定义了数十个 linter（FLAKE8、CLANGFORMAT、CLANGTIDY、RUFF、CODESPELL 等），用 spin lint / spin fixlint 运行；vLLM 用 pre-commit（ruff、clang-format、typos、markdownlint、mypy 多版本、signoff 检查等），pre-commit install 后每次 commit 自动跑；lint 不过 CI 根本不会往下走；
• PR 描述规范：vLLM 的 PR 模板要求 Purpose、Test Plan、Test Result 三段，标题必须带 [Bugfix]、[Kernel]、[Core]、[Model]、[Doc] 等前缀；PyTorch 的 .github/PULL_REQUEST_TEMPLATE/ 下有三个模板（修 issue、文档/typo、预先批准），修 issue 的 PR 必须写 Fixes #，”没有关联 issue 的 PR 可能被自动关闭”，描述”过于冗长会被视为 spam”；
• DCO 与签名：vLLM 要求每个 commit 带 Signed-off-by（git commit -s），pre-commit 的 signoff-commit 钩子和 mergify 都会检查；PyTorch 走 CLA；
• CI 矩阵：PyTorch 的 .github/workflows/ 下有一百多个 workflow，pull.yml 在每个 PR 上跑，trunk.yml、periodic.yml、slow.yml、inductor.yml 在 main 上、按周期或按标签触发，ciflow/ 标签（.github/pytorch-probot.yml 列出）用来手动拉起某一组任务；vLLM 用 Buildkite，.buildkite/test_areas/*.yaml 按领域定义任务，每个任务声明 source_file_dependencies 决定改了哪些文件才触发、在什么 GPU 上跑；vLLM 的 CI 不会自动为每个 commit 全跑，需要 reviewer 或 ready 标签之后用 /ci run；
• 读 CI 日志：怎么区分自己引入的失败和 main 上已有的失败；PyTorch 的 CONTRIBUTING.md 有 “CI failure tips” 一节；vLLM 的 CI 失败看板；
• review 往返：vLLM 承诺 reviewer 每 2–3 天给状态、7 天没动可以 ping（文档提到的 action-required 标签同样不在当前标签列表中）；PyTorch 由 triage 团队打模块标签并分配 reviewer，4 个工作日没回应可以留言催；怎么回复 review 意见、什么时候争辩、什么时候照做；
• merge 机制：PyTorch 由 @pytorchbot merge 触发，.github/merge_rules.yaml 按文件路径规定谁有权批准、哪些 check 必须过；vLLM 由有权限的 maintainer 打 ready 标签并合入，.github/mergify.yml 处理自动 rebase 和 needs-rebase；
• 被拒后怎么办：区分”方向不对”、”时机不对”、”做法不对”三种拒绝；哪些可以改了再提，哪些应该放弃；
• AI 辅助贡献的项目政策：PyTorch 的 AI_POLICY.md 要求”你对你发出的每一行负责”、新贡献者的 PR 必须有 actionable issue、新功能 issue 里不要放 AI 生成的方案；vLLM 要求人类提交者审过每一行、PR 描述里声明使用了 AI、commit 加 Co-authored-by trailer、说明为什么不与已有 PR 重复、附测试命令与结果，并明确”纯 agent PR 不允许”。

核心问题是：

reviewer 打开你的 PR，只有十分钟。这十分钟里他要确认什么？你的 diff、描述、测试、CI 状态分别替他回答了哪个问题？

实践：为第二篇选定的切入点写出完整的 PR 草稿——diff、测试、benchmark（如适用）、按目标项目模板写的描述——并在本地跑过 lint 和相关测试；记录每一次 review 往返。

4. 两个真实 PR 的完整走读：PyTorch 与 vLLM

第四篇是前三篇的实例化。它选取两个已经合入的真实 PR——PyTorch 一个、vLLM 一个——从 issue 或动机开始，到讨论、实现、测试、CI、review、合入、进入哪个版本，逐步走读。

选取标准：

• 规模适中：diff 在几十到几百行之间，一个人能在一小时内读完；
• 流程完整：有前置讨论、有测试、有 review 往返、有至少一次修改；
• 有代表性：PyTorch 的 PR 体现 ghstack、模块标签、@pytorchbot merge、多 workflow CI 的流程；vLLM 的 PR 体现标题前缀、Purpose/Test Plan/Test Result 描述、Signed-off-by、Buildkite 按领域触发的 CI、ready 标签的流程；
• 类型互补：一个偏底层（算子或 kernel 层面的修复或优化，需要 benchmark 数据），一个偏系统（调度、引擎或接口层面的改动，需要端到端测试）。

每个走读会覆盖：

• 起点：PR 对应的 issue 或 RFC 是什么，作者在动手之前做了哪些讨论；
• 阅读：作者需要读懂哪些文件才能做这个改动，用第一篇的方法怎么找到它们；
• diff：逐段解释改了什么、为什么这样改、有没有更大的改法被有意避开；
• 测试与数据：加了哪些测试、放在哪个目录、benchmark 怎么做、数字怎么呈现；
• CI：触发了哪些任务、有没有失败、失败是怎么处理的；
• review：reviewer 提了什么、作者怎么回应、哪些意见被采纳、哪些被讨论后维持原样；
• 合入之后：进了哪个版本、有没有后续的 follow-up 或 revert。

核心问题是：

两个都是”小”PR，却各花了作者一到几周。这些时间花在哪里了？哪些是可以省的，哪些是这个项目的正常成本？

实践：按同样的走读格式，复盘自己在第三篇提交的那个 PR——无论它最终合入了还是没有。

5. 系列总结与通关自测

最后一篇不讲新内容：把四篇正文压成一张「问题 → 结论 → 必记数字」的表并逐篇回顾，拎出贯穿全系列的几条线与常见误区，然后给一套三段式通关自测——十道判断与计算、五道跨篇综合、若干道面试题，答案各自折叠，附「读过 / 掌握 / 能教人」的判据。各篇末尾的自测检验的是一篇读懂了没有，这一篇检验的是四篇能不能连起来用；读完正文再做。

贯穿全系列的实践线

本系列的练手项目不是代码，而是一份贡献日志：一个由读者自己维护的 Markdown 文件，从选项目开始，记录到第一个 PR 合入（或明确放弃）为止。它的价值在于强迫每一步都留下可回看的依据，而不是靠感觉推进：

• 第一篇：项目地图；目录职责 · 构建命令 · 测试入口 · 常用 grep 模式 · 追过的三条符号路径
• 第二篇：切入点清单；六个候选 · 来源 · 查重结果 · 预计规模 · 是否需先讨论 · 最终选定一个
• 第三篇：PR 草稿与往返记录；diff 摘要 · 测试清单 · benchmark 数据 · 描述初稿 · 本地 lint/测试结果 · 每轮 review 意见与回应
• 第四篇：复盘；按走读格式重述自己的 PR · 时间花在哪 · 下次可以省掉什么

到第三篇结束，读者应该有一个真实提交到 PyTorch 或 vLLM 的 PR；到第四篇结束，应该有一份能给团队里下一个人看的复盘。日志本身不追求好看，只要求每一项都有出处：一个链接、一条命令、一段日志。

与它平行的是文档阅读线。每篇会带读者读两个项目里对应环节的真实文件，路径以 PyTorch v2.14.0 与 vLLM v0.28.0 的源码树为准：

前置要求与说明

前置要求

• 能读懂目标项目至少一个子系统的源码，在本地改出过能运行的东西——本系列讲怎么把它合进去，不讲怎么写出来；
• 熟练使用 git 与 GitHub：branch、rebase、interactive rebase、解决冲突、fork 工作流；
• 会用命令行工具阅读代码：ripgrep 或等价工具、clangd 或等价的 C++ 语言服务器、Python 调试器；
• 能读英文技术文档并用英文在 issue 和 PR 里写清楚一件事；
• 一个可用的开发环境：能从源码构建 PyTorch 或 vLLM（vLLM 的 Python 层开发可以借助预编译 wheel 免去 CUDA 编译）；性能相关的贡献需要一块 NVIDIA GPU。

不要求：

• 提过任何开源 PR；
• 了解 PyTorch 或 vLLM 的治理结构；
• 用过 ghstack、lintrunner、pre-commit、Buildkite。

项目与版本基线

• PyTorch 以 v2.14.0（2026-09-02 发布）为准，正文引用的文件路径与政策表述均取自该版本源码树；
• vLLM 以 v0.28.0（2026-08-26 发布）为准，正文引用取自该版本源码树；
• GitHub 上的动态信息（标签、issue、PR 的 review 记录）以 2026-09 初用 gh 查询到的为准，正文随文注明查询日期；
• 贡献规则比源码变化更快。以下几处在写作时正在演化，正文会随文标注：PyTorch 对 AI 辅助贡献与 actionable issue 的要求、spin 对 lintrunner 的包装；vLLM 的 AGENTS.md、Buildkite 配置从单文件迁移到 .buildkite/test_areas/、CI 触发方式（/ci run）与 PR 数量上限。读者动手前应以目标项目当时的 CONTRIBUTING.md、docs/contributing/、PR 模板为准，本系列教的是如何读懂它们，而不是替代它们；
• 第四篇选取的两个 PR 在正文中会给出编号与链接；总纲不预先指定，以便在写作时选择当时最有代表性的样本。

关于其他项目

NCCL、Megatron-LM、FlashAttention、Triton、SGLang 等项目在正文中只做定性对照：它们中有的由单一公司主导、开发主要在公司内部完成后再同步到公开仓库，外部贡献的空间与 PyTorch、vLLM 不同；有的社区规模小、review 依赖少数几个人；有的没有独立的 RFC 流程，设计讨论直接发生在 issue 和 PR 里。这些差异影响选题策略（第二篇）和对 review 周期的预期（第三篇），但具体规则不在本系列展开。读者把 PyTorch 和 vLLM 两套流程学透之后，读任何一个项目的 CONTRIBUTING.md 都应该能在半小时内定位到它与这两者的差别。

章节目录

1. 读懂一个百万行的代码库
2. 找到切入点：从 issue、RFC 到性能回归
3. 做出一个能被合入的改动
4. 两个真实 PR 的完整走读：PyTorch 与 vLLM
5. 系列总结与通关自测

最终目标

读完这套系列之后，面对任何一个 AI-Infra 开源项目——PyTorch、vLLM，或者一个从未接触过的新项目——读者应该能够回答：

• 这个仓库怎么组织、从哪里开始读？：→ 第一篇：目录地图与入口点
• 这段代码为什么是这样？：→ 第一篇：测试即文档、git log 即注释
• maintainer 现在最想要什么？：→ 第二篇：标签、RFC、roadmap、CI 看板
• 有人在做同样的事吗？：→ 第二篇：查重
• 这个改动要不要先讨论？：→ 第二篇：规模与风险的判断
• reviewer 十分钟内能确认它正确吗？：→ 第三篇：最小 diff、测试、benchmark、描述
• CI 红了是我的问题吗？：→ 第三篇：CI 矩阵与日志
• review 三周没动，怎么办？：→ 第三篇：review 文化与沟通
• 用了 AI 辅助，该怎么声明？：→ 第三篇：项目政策
• 一个真实的 PR 从头到尾长什么样？：→ 第四篇：两个走读

最终目标是三种能力：

1. 阅读能力：进入一个陌生的百万行项目，在有限时间内定位到与问题相关的代码、测试和历史；
2. 判断能力：从大量 issue、RFC 和 CI 信号里识别出上游真正需要、自己能做、不与他人重复的工作；
3. 交付能力：以目标项目的规范完成一个改动——diff、测试、数据、描述、CI、review——并把它合入上游。

这套能力不属于任何一层，却决定了每一层的技术能力最终能否转化为对项目的实际贡献。

• Previous
  AI 平台工程（09）：系列总结与通关自测
• Next
  AI-Infra 开源贡献指南（01）：读懂一个百万行的代码库