在非NVIDIA环境下构建Auto-Code-Rover容器的解决方案

Auto-Code-Rover是一个基于AI的代码分析与处理工具，它依赖于Docker容器来提供标准化的运行环境。然而，在非NVIDIA显卡的设备上构建该项目时，用户可能会遇到一些依赖项安装问题。

问题背景

当使用Dockerfile.scratch或Dockerfile.minimal构建Auto-Code-Rover容器时，构建过程会在conda环境创建阶段失败。主要报错信息显示无法找到特定版本的nvidia-cublas-cu12等CUDA相关依赖包。这是因为项目默认配置中包含了对NVIDIA GPU加速的支持，而普通Mac设备并不具备这些硬件条件。

解决方案

1. 修改requirements.txt文件

最直接的解决方案是注释掉requirements.txt中所有NVIDIA相关的依赖项，包括：

• nvidia-cublas-cu12
• nvidia-cuda-cupti-cu12
• nvidia-cuda-nvrtc-cu12
• 以及其他所有以nvidia-开头的包

同时，由于triton包也依赖于特定的Python版本，在非兼容环境下也需要被注释掉。

2. 选择性保留功能组件

虽然移除了NVIDIA相关依赖，但项目中部分功能如ollama模型支持仍然可以保留。在确认基础环境构建成功后，可以单独将ollama依赖添加回requirements.txt中，然后重新构建容器。

3. 运行配置调整

构建成功后，运行容器时需要确保：

• 正确设置OPENAI_KEY环境变量
• 映射必要的端口(3000和5001)
• 使用conda activate命令激活正确的Python环境
• 设置适当的PYTHONPATH环境变量

技术原理

这种修改之所以可行，是因为Auto-Code-Rover的核心功能并不强制依赖GPU加速。项目中的NVIDIA相关依赖主要是为了优化部分计算密集型任务的性能。在CPU-only环境下，这些功能会回退到纯Python实现或使用其他替代方案。

注意事项

1. 性能影响：移除GPU加速依赖后，某些计算任务的执行速度可能会明显下降
2. 功能完整性：部分高级特性可能无法在非NVIDIA环境下使用
3. 模型选择：建议使用较小规模的模型(如gpt-4o)以减少计算资源需求

这种解决方案特别适合开发者在使用个人电脑(Mac等)进行项目原型开发或功能验证时采用，可以避免配置复杂GPU环境的麻烦。