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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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