vllm-daily-pr-issue-tracker

vllm Daily PR & Issue Tracker

每日自动获取 vllm-project/vllm 和 vllm-project/vllm-ascend 当天更新的 PR 与 Issue，按关注场景筛选、深度分析分类，并生成 Markdown 报告。

When to Use

• 用户要追踪 vllm / vllm-ascend 每日 PR 和 Issue 动态
• 用户关注 DeepSeek、Qwen、GLM 等模型在 vllm 生态的更新
• 用户关注 PD 分离、MTP、量化、图模式、性能优化等技术方向
• 触发词：vllm 日报、PR Issue 追踪、vllm daily tracker、vllm-ascend 动态

Prerequisites

需要设置 GITHUB_TOKEN 环境变量。配置方式见 env-setup.md。

Quick Start

# Step 1: 拉取并筛选当天数据
python scripts/fetch_daily_data.py

# Step 2: AI 分析后生成报告（需先填充 ai_summaries）
python scripts/generate_report.py

输出目录：daily-reports/

Workflow

1. 初始化 — 运行 scripts/fetch_daily_data.py 拉取当天数据
2. AI 深度分析 — 读取 JSON，逐条撰写中文摘要与影响分析
3. 生成报告 — 构建 ai_summaries 后运行 scripts/generate_report.py
4. 返回结果 — 告知报告路径与关键发现摘要

Step 1: Fetch Data

运行数据采集脚本：

python <skill-path>/scripts/fetch_daily_data.py

脚本会：

• 通过 GitHub API 拉取两个仓库当天 merged/opened PR 与 opened/updated Issue
• 按 keywords.md 中的模型与技术关键词筛选
• 按 priority-rules.md 标注 P0–P3 优先级
• 保存 JSON 到 daily-reports/daily-data-YYYY-MM-DD.json

Step 2: AI Analysis

读取 JSON 文件，对每条 PR/Issue 进行分析：

• 阅读 title、body_preview、labels
• 用中文撰写 2–3 句摘要
• 分析技术影响与用户影响
• 确认或修正自动分类结果

构建 ai_summaries 字典：

ai_summaries = {
    "https://github.com/vllm-project/vllm/pull/12345": {
        "summary": "该 PR 修复了 DeepSeek-R1 在 FP8 量化模式下的数值精度问题...",
        "impact": "影响所有使用 FP8 量化运行 DeepSeek-R1 的用户，建议尽快升级。",
    }
}

Step 3: Generate Report

将 ai_summaries 传入报告生成脚本，或在 AI 分析后直接调用 generate_report()：

python <skill-path>/scripts/generate_report.py

报告格式见 report-template.md。

Step 4: Return Result

告知用户：

• 报告路径：daily-reports/daily-report-YYYY-MM-DD.md
• P0/P1 高优先级条目摘要
• 模型与技术方向分布统计

Notes

1. 未设置 GITHUB_TOKEN 时 API 限流为每小时 60 次，可能拉取不完整
2. 关键词与优先级规则可在 scripts/fetch_daily_data.py 中调整
3. ai_summaries 的 key 为条目的 url 字段
4. 报告按优先级、技术方向、模型三个维度组织索引

References

• 环境配置
• 关键词配置表
• 优先级规则
• 报告格式模板