Google Glog项目中的Bazel构建系统迁移问题解析
背景介绍
Google Glog是一个广泛使用的C++日志库,它采用了Bazel作为其构建系统。Bazel作为Google开源的构建工具,近年来正在进行从传统WORKSPACE模式向Bzlmod模块化构建系统的重大迁移。这一变革对许多依赖Bazel的项目产生了深远影响。
问题现象
在Windows平台的CI构建过程中,Glog项目遇到了构建失败的问题。错误信息显示系统无法解析@platforms仓库,提示"Both '--enable_bzlmod' and '--enable_workspace' are disabled"。这表明构建系统既没有启用新的Bzlmod模块系统,也没有启用传统的WORKSPACE模式。
技术分析
根本原因
问题的根源在于Bazel 8版本中默认禁用了WORKSPACE文件功能,这是Bazel团队推动项目向Bzlmod迁移的战略性举措。根据Bazel的发布计划:
- Bazel 8(2024年底)将默认禁用WORKSPACE
- Bazel 9(2025年底)将完全移除WORKSPACE支持
具体技术细节
-
依赖解析失败:构建过程中需要访问
@platforms仓库,这是一个提供跨平台构建支持的公共仓库,但系统无法找到它。 -
构建配置冲突:错误信息表明项目既没有启用Bzlmod,也没有启用WORKSPACE,导致构建系统无法确定如何解析外部依赖。
-
平台特定问题:此问题特别出现在Windows平台上,可能与平台相关的构建配置有关。
解决方案
Glog项目团队通过以下方式解决了这个问题:
-
明确构建模式:在构建配置中明确指定使用WORKSPACE模式或迁移到Bzlmod。
-
依赖管理:确保所有必要的依赖(如
@platforms)在选定的构建模式下正确声明和配置。 -
CI配置更新:调整持续集成系统的构建参数,确保与项目选择的构建模式一致。
经验总结
这一事件为使用Bazel的项目提供了重要启示:
-
及时跟进构建系统更新:Bazel正在经历重大架构变更,项目需要及时调整构建配置。
-
跨平台测试重要性:构建问题往往在特定平台显现,全面的跨平台测试十分必要。
-
依赖管理策略:随着构建系统的演进,依赖管理方式也需要相应调整,项目应建立清晰的依赖管理策略。
未来建议
对于仍在使用Bazel的传统WORKSPACE模式的项目,建议:
- 尽快开始Bzlmod迁移评估
- 建立构建系统更新的监控机制
- 加强跨平台构建测试
- 制定明确的依赖管理规范
通过这次事件,我们可以看到现代构建系统演进对项目的影响,也体现了及时跟进基础设施变更的重要性。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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