RVM 在 AlmaLinux/RHEL 8 上安装 Ruby 3.3 时 Psych 组件问题的解决方案
在 AlmaLinux 8 或 RHEL 8 系统上使用 RVM 安装 Ruby 3.3 版本时,开发者可能会遇到一个常见问题:Psych 组件无法正常加载。这个问题表现为运行 Ruby 程序或使用 gem 命令时出现"cannot load such file -- psych"的错误提示。
问题现象
当用户在 AlmaLinux 8 或 RHEL 8 系统上通过 RVM 安装 Ruby 3.3.x 版本后,尝试运行任何需要 Psych 组件的操作时,系统会抛出加载错误。典型的表现包括:
- 使用 gem 命令安装软件包时失败
- 直接运行
ruby -e "require 'psych'"命令时出现错误 - 使用 Bundler 等依赖 YAML 解析的工具时崩溃
问题根源
这个问题的根本原因在于 Ruby 3.3 版本不再内置 libyaml 的源代码,而是依赖于系统提供的 libyaml 开发库。在 RHEL 8 及其衍生发行版(如 AlmaLinux)中,libyaml-devel 软件包默认不在基础仓库中提供。
解决方案
要解决这个问题,需要执行以下步骤:
- 启用系统的附加软件仓库(PowerTools/CRB)
- 安装 libyaml-devel 开发包
- 重新安装 Ruby 3.3
具体操作如下:
1. 启用 PowerTools/CRB 仓库
以 root 用户身份执行:
dnf config-manager --set-enabled powertools # 对于 AlmaLinux/CentOS/RockyLinux
# 或者对于 RHEL 8:
dnf config-manager --set-enabled codeready-builder-for-rhel-8-x86_64-rpms
2. 安装 libyaml-devel
继续以 root 用户执行:
dnf install libyaml-devel
3. 重新安装 Ruby
切换回普通用户,执行:
rvm remove ruby-3.3
rvm install ruby-3.3.6
验证解决方案
安装完成后,可以通过以下命令验证问题是否已解决:
ruby -e "require 'psych'"
如果命令执行后没有输出任何错误信息,则表示 Psych 组件已能正常加载。
技术背景
Psych 是 Ruby 的 YAML 解析器实现,它依赖于 libyaml 库。从 Ruby 3.3 版本开始,Ruby 不再自带 libyaml 的源代码,而是完全依赖系统提供的 libyaml 开发包。这一变化导致在缺少 libyaml-devel 的系统上安装 Ruby 时,Psych 组件无法正确编译和安装。
RHEL 8 及其衍生发行版将 libyaml-devel 移到了 PowerTools/CRB 仓库中,这是为了减少基础系统的软件包数量。因此,在默认配置下,系统虽然安装了 libyaml 运行时库,但缺少开发头文件,导致 Ruby 无法正确编译 Psych 扩展。
总结
对于在 RHEL 8 系列发行版上使用 RVM 安装 Ruby 3.3 的用户,确保启用 PowerTools/CRB 仓库并安装 libyaml-devel 是必要的步骤。这一解决方案不仅适用于 AlmaLinux,也同样适用于 CentOS、RockyLinux 和 RHEL 本身。通过理解 Ruby 依赖关系的变化和系统仓库的管理策略,开发者可以更好地处理类似的环境配置问题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00