Conan 2.13.0 发布:构建工具链与依赖管理的全面升级
Conan 是一个开源的 C/C++ 包管理器,旨在简化 C/C++ 项目的依赖管理和构建过程。它支持跨平台开发,能够帮助开发者轻松管理项目依赖,并确保在不同环境中构建的一致性。随着 2.13.0 版本的发布,Conan 在构建工具链、依赖管理和工作空间支持等方面带来了多项重要改进。
CMake 工具链的增强
本次更新对 CMake 相关的工具链支持进行了显著增强。CMakeDeps 生成器现在能够为 cmake_additional_variables_prefixes 定义 {prefix}_FOUND 和 {prefix}_VERSION 变量,这使得 CMake 脚本能够更灵活地检测和使用依赖包。此外,新增的 CMAKE_LIBRARY_PATH 和 CMAKE_INCLUDE_PATH 被添加到 conan_cmakedeps_paths.cmake 中,进一步改善了库和头文件的查找机制。
对于正在孵化的 CMakeConfigDeps 生成器,现在可以通过配置标志在 conanfile 中使用。这个新特性为构建系统提供了更现代的 CMake 配置方式,是未来 CMake 集成的重要发展方向。
工作空间功能的完善
工作空间(Workspace)功能在 2.13.0 版本中得到了显著增强。新增的 workspace install 命令专门为包含多个可编辑(editable)包的超级项目设计,极大地简化了大型项目的开发流程。配合这一改进,conan new workspace 模板现在包含了一个基于 CMake 的超级项目结构,开发者可以快速搭建适合工作空间模式的项目框架。
这些改进使得在开发大型项目时,能够更方便地管理多个相互依赖的组件,同时保持高效的开发迭代速度。
依赖管理与版本控制
在依赖管理方面,2.13.0 版本引入了多项实用功能。新增的 lock upgrade 命令可以自动升级指定的依赖项并解析依赖图,大大简化了依赖版本升级的过程。Version 类新增的 in_range 方法提供了方便的版本范围比较功能,使得依赖版本约束更加灵活。
对于本地配方索引(local-recipes-index)远程源,现在当请求特定修订版本时会显示警告信息,帮助开发者避免潜在的版本冲突问题。
构建系统与工具链改进
构建系统支持方面,AutotoolsToolchain 现在允许从配置(conf)中获取构建上下文信息,提高了配置的灵活性。对于 MinGW 编译器,settings.yml 新增了 mcf 线程模型支持,完善了对 GCC MinGW 工具链的兼容性。
Premake 工具的 CLI 包装器也得到了增强,现在支持配置 Lua 文件路径和自定义命令行参数,为使用 Premake 的项目提供了更大的灵活性。
性能与稳定性优化
在性能方面,解压(untar)操作的性能得到了显著提升。运行时部署(runtime_deploy)现在能够正确处理符号链接及其关联的库文件,解决了之前可能导致的运行时依赖问题。
错误处理机制也有所改进,现在对于组件定义错误和运行时冲突会提供更清晰的错误信息。同时,修复了 _calculate_licenses SBOM 方法中的错误,并添加了相应的测试用例。
安全与兼容性更新
在安全方面,Conan 2.13.0 将 urllib3 依赖升级到了 2.0 版本,确保了网络通信的安全性。对于 msys2 子系统,现在能够正确继承环境变量中的路径设置,提高了在 Windows 平台下的兼容性。
总结
Conan 2.13.0 版本在构建工具链支持、依赖管理、工作空间功能和整体稳定性等方面都带来了重要改进。这些变化不仅提高了开发效率,也为大型项目的管理提供了更好的支持。对于 C/C++ 开发者而言,升级到 2.13.0 版本将能够体验到更流畅、更强大的包管理和构建体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0172
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook097
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
BitCPM-CANN-8BBitCPM-CANN 是首个基于华为昇腾 NPU 原生构建的端到端 1.58 位(三值化)大语言模型训练系统。该系统将量化感知训练(QAT)集成到 Megatron-LM 框架中,并结合 MindSpeed 加速,覆盖了从自定义三值算子到基于昇腾 910B 的分布式并行训练的完整训练栈。Python00
MiniCPM5-1BMiniCPM5-1B,这是 MiniCPM5 系列的首款模型。它是一个专为端侧、本地部署和资源受限场景打造的 10 亿参数密集型 Transformer 模型,达到了 10 亿参数级开源模型的 SOTA 水平Jinja00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0239