Conan中CMakeConfigDeps生成器对CMAKE_MODULE_PATH的支持
在Conan 2.0版本中引入的CMakeConfigDeps生成器是一个重要的功能改进,它能够为依赖项生成CMake配置文件(.cmake)。然而,在实际使用过程中,开发者发现当需要消费仅提供少量CMake配置文件的Conan包时,存在一个功能缺口——缺少对CMAKE_MODULE_PATH的支持。
问题背景
CMake生态系统中有两种主要的配置方式:CMake Packages和CMake Modules。前者通过find_package()调用,后者则通过include()直接包含。在Conan生态中,当我们需要打包一个仅包含CMake模块(.cmake文件)的库时,传统的做法是通过CMakeToolchain设置CMAKE_MODULE_PATH来让CMake能够找到这些模块文件。
然而,当同时使用CMakeConfigDeps生成器时,由于它会生成conan_cmakedeps_paths.cmake文件,导致原本在conan_toolchain.cmake中设置的CMAKE_MODULE_PATH被覆盖或忽略,从而使得include()语句无法找到对应的模块文件。
技术解决方案
Conan团队在2.16版本中对此问题进行了修复,为CMakeConfigDeps生成器添加了对CMAKE_MODULE_PATH的支持。这一改进使得:
- 开发者可以继续使用include()直接包含CMake模块文件
- 同时也能享受CMakeConfigDeps生成器带来的其他功能
- 保持了CMakeLists.txt文件的构建系统无关性
实际应用场景
这种改进特别适合以下场景:
- 当需要打包仅包含宏定义或工具函数的CMake模块时
- 当项目需要保持构建系统无关性,不希望直接暴露Conan依赖关系时
- 当需要混合使用CMake包和CMake模块时
最佳实践建议
虽然技术上现在支持直接include()模块文件,但从工程实践角度,建议考虑:
- 尽可能将CMake模块转换为完整的CMake配置
- 如果必须使用模块,考虑添加find_package()调用以提供更好的错误信息
- 在包设计中明确区分是提供CMake包还是CMake模块
总结
Conan对CMakeConfigDeps生成器的这一改进,完善了其在CMake模块支持方面的功能,为开发者提供了更大的灵活性。这一变化使得Conan能够更好地支持各种CMake使用模式,同时也体现了Conan团队对实际使用场景的深入理解和快速响应能力。
对于正在迁移到Conan 2.0或使用CMakeConfigDeps生成器的项目,建议评估这一新特性是否能够简化现有的构建逻辑,特别是在处理遗留CMake模块时。
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-1.5暂无简介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
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
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