Conan构建工具中依赖声明冲突导致的死锁问题解析
问题背景
在使用Conan构建工具时,开发者可能会遇到一种特殊的情况:当在同一个conanfile.py文件中以不同方式声明同一个依赖包时,会导致构建过程陷入死锁状态。这种情况通常发生在开发者无意中为同一个包设置了冲突的依赖声明。
问题重现
让我们通过一个典型示例来理解这个问题:
from conan import ConanFile
class DemoRecipe(ConanFile):
name = "test"
version = "1."
def requirements(self):
self.requires("cmake/3.31.6", build=True)
def build_requirements(self):
self.tool_requires("cmake/3.31.6", options={
"bad": True # 这个选项不需要是有效的
})
在这个例子中,开发者做了两件事:
- 在requirements()方法中声明cmake为构建依赖(build=True)
- 在build_requirements()方法中又通过tool_requires()声明了同一个cmake包,并添加了一个选项
问题现象
当运行上述配置时,Conan会在计算依赖图阶段陷入死锁状态,控制台会卡在类似以下输出:
======== Computing dependency graph ========
Graph root
cli
Requirements
test/1.#fbecceb6b2e0b7e8dc818d39256ca7aa - Cache
Build requirements
cmake/3.31.6#ed0e6c1d49bd564ce6fed1a19653b86d - Cache
问题根源分析
这个问题的根本原因在于Conan依赖解析机制中的一个特殊情况:
-
依赖特性冲突:当使用requires()和tool_requires()声明同一个包时,它们会设置不同的默认特性(如headers、libs、run等),导致Conan最初认为它们是不同的依赖。
-
选项的延迟评估:Conan在解析依赖时,会延迟评估选项的影响。当最终评估到shared=True选项时,它会强制设置run=True特性,这时两个声明实际上变成了相同的依赖。
-
Python OrderedDict的问题:在底层实现中,Python的OrderedDict在处理这种特殊情况时会陷入死循环,因为它无法正确处理具有相同键的字典项。
解决方案
Conan团队已经修复了这个问题,解决方案包括:
-
底层数据结构优化:将OrderedDict替换为Python原生的dict,因为现代Python版本中的dict已经是有序的,且能更好地处理这种情况。
-
最佳实践建议:
- 避免在requirements()方法中使用build=True声明构建依赖
- 应该统一在build_requirements()方法中使用tool_requires()
- 尽量避免在recipe中直接设置选项值,而应该通过profile文件来管理
开发者注意事项
为了避免遇到类似问题,开发者应该:
-
保持依赖声明的一致性:对于构建工具依赖,统一使用tool_requires()声明
-
理解依赖特性:了解requires()和tool_requires()在headers、libs、run等特性上的默认差异
-
谨慎使用选项:除非有特殊需求,否则避免在recipe中直接设置选项值
-
及时更新Conan版本:使用包含此修复的最新版本Conan
总结
这个案例展示了构建工具中依赖解析的复杂性,也提醒我们在使用构建工具时需要遵循最佳实践。Conan团队通过改进底层数据结构解决了这个问题,同时也为开发者提供了更清晰的依赖管理指导原则。理解这些原理有助于开发者编写更健壮、更高效的构建配置。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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