TIC-80 在 Linux 系统下的编译问题分析与解决方案
问题背景
TIC-80 是一款开源的虚拟计算机游戏开发环境,允许用户使用 Lua、JavaScript、Wren 等多种编程语言创建复古风格的 8 位游戏。在 Linux 系统(如 Linux Mint 22 和 Ubuntu 24.04 LTS)上编译 TIC-80 时,开发者可能会遇到编译失败的问题。
错误现象
在编译过程中,系统会报告以下关键错误信息:
/bin/sh: 1: RAKE-NOTFOUND: not found
gmake[2]: *** [CMakeFiles/mruby_vendor.dir/build.make:86: mruby_vendor-prefix/src/mruby_vendor-stamp/mruby_vendor-build] Error 127
这个错误表明编译过程中缺少了 rake 工具,导致 mruby(TIC-80 使用的 Ruby 实现)无法正确构建。
问题分析
TIC-80 的构建系统依赖于多个组件,其中包括:
- CMake:跨平台的构建系统
- mruby:轻量级 Ruby 实现
- rake:Ruby 的构建工具(类似于 make)
在 Linux 系统上,特别是新安装的系统或最小化安装的系统中,可能没有预装所有必要的开发工具。rake 是 Ruby 生态系统中的一个重要工具,用于执行构建任务。当系统缺少这个工具时,mruby 的构建过程就会失败,进而导致整个 TIC-80 编译失败。
解决方案
解决这个问题的方法很简单:安装 rake 工具。在基于 Debian/Ubuntu 的 Linux 发行版(包括 Linux Mint 和 Ubuntu)上,可以通过以下命令安装:
sudo apt install rake
安装完成后,重新运行编译命令即可:
cmake -DBUILD_SDLGPU=On -DBUILD_WITH_ALL=On -DBUILD_PRO=On -DBUILD_STATIC=ON -DCMAKE_BUILD_TYPE=MinSizeRel .. && cmake --build . --config MinSizeRel --parallel
深入理解
为什么 TIC-80 需要 rake 工具?这是因为:
- TIC-80 支持多种脚本语言,包括 Ruby(通过 mruby 实现)
- mruby 使用
rake作为其构建系统的一部分 - 当 TIC-80 从源代码构建时,它会尝试构建 mruby 作为其依赖项之一
其他可能的依赖问题
除了 rake 之外,在 Linux 系统上编译 TIC-80 还可能需要以下开发工具和库:
- 构建工具链:gcc/g++, make, cmake
- SDL2 开发库:libsdl2-dev
- 音频/视频相关库:libasound2-dev, libpulse-dev, libjack-dev
- 图形相关库:libgl1-mesa-dev, libgles2-mesa-dev
建议在编译前确保这些依赖都已安装。在 Ubuntu/Debian 系统上,可以使用以下命令安装基本开发工具:
sudo apt install build-essential cmake libsdl2-dev
编译优化建议
为了提高编译成功率和效率,可以考虑以下建议:
- 使用干净的构建目录
- 确保有足够的磁盘空间(至少 1GB 可用空间)
- 使用
--parallel参数利用多核 CPU 加速编译 - 在编译前运行
git submodule update --init --recursive确保所有子模块都已正确初始化
总结
在 Linux 系统上编译 TIC-80 时遇到的 RAKE-NOTFOUND 错误通常是由于缺少 Ruby 的构建工具 rake 导致的。通过安装这个工具可以解决编译问题。理解 TIC-80 的依赖关系和构建系统有助于开发者更好地解决类似问题,并为其他开源项目的编译提供参考。
对于想要在 Linux 系统上开发或修改 TIC-80 的开发者来说,熟悉这些构建依赖和常见问题的解决方法是非常重要的。这不仅能节省时间,也能帮助更深入地理解这个优秀开源项目的内部结构。
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