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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00