变更摘要

此 PR 在 ProcessGroupHCCL::createHCCLCommOrigin 中引入环境变量 ROOTINFO_SUBCOMM_ENABLE 作为子通信器创建逻辑的守卫开关：仅当该环境变量显式设置为 "1" 时，才尝试通过 createHCCLCommSub 创建子 HCCL 通信域；否则直接跳过子通信器路径，进入基于 HcclRootInfo 的标准通信器创建流程。同时补充了相应的日志输出，便于定位子通信器创建成功与回退的情况。

主要改动

• 引入环境变量守卫 ROOTINFO_SUBCOMM_ENABLE：在 createHCCLCommOrigin 函数中新增 getenv("ROOTINFO_SUBCOMM_ENABLE") 检查，将原有的 isSub 判断与 createHCCLCommSub 调用包裹在 env != nullptr && strcmp(env, "1") == 0 条件内，未设置该环境变量时不再执行子通信器创建逻辑。
• 子通信器创建成功时新增警告日志：当 createHCCLCommSub 返回 true 时，通过 TORCH_NPU_HCCL_LOGW 输出提示，明确告知子通信器已创建但不支持 resume 功能。
• 子通信器创建失败时回退日志保留：原有 TORCH_NPU_HCCL_LOGI 回退提示日志被移入环境变量守卫内部，仅在启用子通信器路径且创建失败时输出，语义更加准确。

openLiBing可接管PR, PR详情链接:
https://www.openlibing.com/apps/transitionPrDetail?owner=Ascend&repo=pytorch&number=40486&platform=gitcode&codeHostingPlatformFlag=gitcode

代码审查

我已经彻底审查了这个 diff。让我总结一下分析结果。

审查分析

这个 diff 修改了 ProcessGroupHCCL::createHCCLCommOrigin 函数，将 createHCCLCommSub(isOrigin=true) 的调用路径用环境变量 ROOTINFO_SUBCOMM_ENABLE 保护起来。

变更逻辑分析：

1. 旧行为：对于子进程组（global_ranks_in_group 非空），总是先尝试通过 createHCCLCommSub(isOrigin=true) 从缓存中获取 global comm 来创建子通信器；失败则回退到 rootinfo 路径。

2. 新行为：只有当环境变量 ROOTINFO_SUBCOMM_ENABLE=1 时，才尝试 createHCCLCommSub(isOrigin=true) 路径；否则直接走 rootinfo 路径。

3. 调用链：createHCCLCommEx（第一层尝试 createHCCLCommSub(isOrigin=false)）→ 失败后调用 createHCCLCommOrigin（第二层尝试，现在被 env var 控制）。

逐项排查：

• getenv 的线程安全性：已有大量相同用法（如第 289、347、356 行等），且此处立即消费返回值，无实际风险。
• strcmp 可用性：<cstdlib> 已包含，strcmp 通过传递包含在目标平台可用。
• 边界条件：env 为 nullptr 已正确检查；env 为空字符串 "" 时 strcmp("", "1") != 0，正确走 rootinfo 回退。
• rootinfo 回退路径对子组的正确性：使用 getSize()/getRank()（子组的 size/rank），通过 broadcastMasterID 广播 rootinfo，可正确创建子组通信器。
• 无资源泄漏、无 use-after-free、无未初始化变量使用。

结论：此 diff 是一个干净的特性开关（feature gate）变更，未引入逻辑错误、安全漏洞、崩溃或回归风险。

审查总结

• P0: 0
• P1: 0
• P2: 0
• P3: 0

已审查文件：

• torch_npu/csrc/distributed/ProcessGroupHCCL.cpp — 无问题

整体风险评估：低风险。 该变更是将子通信器的 createSubHcclComm 路径置于 ROOTINFO_SUBCOMM_ENABLE 环境变量开关之后，未启用时走成熟的 rootinfo 回退路径，不改变现有默认行为。

⚠️ 已识别出整体风险，但无法提取行内评论，请参考整体评估。

/approve