LACT项目在Fedora Atomic系统上的安装指南
背景介绍
LACT是一款开源的AMD显卡超频和控制工具,为Linux用户提供了对AMD显卡进行性能调优的便捷方式。对于使用Fedora Atomic系列发行版(如Silverblue、Kinoite、Bazzite等)的用户,由于这些系统采用不可变的文件系统设计,安装过程需要特殊处理。
Fedora Atomic系统特性
Fedora Atomic系列发行版采用了不可变操作系统设计理念,这意味着系统根文件系统在运行时是只读的。这种设计提高了系统稳定性和安全性,但也带来了软件安装方式的改变。用户需要通过Flatpak或工具箱(Toolbox)容器来安装和管理应用程序。
安装步骤详解
-
准备工作
首先确保系统已启用RPM Fusion仓库,这是许多第三方软件(包括LACT)的依赖来源。 -
创建工具箱环境
使用以下命令创建一个新的工具箱容器:toolbox create --container lact -
进入工具箱环境
创建完成后,进入该容器环境:toolbox enter --container lact -
安装必要依赖
在容器内执行以下命令安装基础开发工具:sudo dnf install @development-tools -
安装LACT依赖包
继续安装LACT运行所需的依赖项:sudo dnf install cmake gcc-c++ libdrm-devel systemd-devel -
构建安装LACT
按照标准流程从源代码构建和安装LACT:git clone https://github.com/ilya-zlobintsev/LACT.git cd LACT mkdir build && cd build cmake .. make sudo make install
注意事项
-
权限配置
安装完成后,需要将用户添加到video组以获得必要的硬件访问权限:sudo usermod -a -G video $USER -
系统服务管理
LACT安装后会注册为系统服务,在工具箱容器内可以使用systemctl命令管理:sudo systemctl enable --now lactd -
图形界面访问
由于工具箱环境与主机系统隔离,GUI应用可能需要额外配置才能正确显示。
替代方案
对于不想使用工具箱环境的用户,可以考虑以下替代方案:
-
Flatpak打包
将LACT打包为Flatpak应用,这是Fedora Atomic推荐的软件分发方式。 -
层叠安装
使用rpm-ostree工具进行层叠安装,但这会影响系统的不可变性。
总结
在Fedora Atomic系统上安装LACT虽然需要额外步骤,但通过工具箱容器技术,用户仍然可以享受到LACT提供的AMD显卡控制功能。这种方法既保持了Atomic系统的核心优势,又满足了用户对硬件控制的需求。随着Flatpak等技术的完善,未来这类应用的安装将变得更加简便。
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 StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112