Stack项目中使用GHCup管理多版本GHC的实践指南
2025-06-16 15:19:26作者:董宙帆
问题背景
在使用Haskell开发过程中,开发者经常需要同时处理多个项目,这些项目可能依赖不同版本的GHC编译器。Stack作为Haskell的构建工具,默认会自行管理GHC版本,但有时我们希望与GHCup工具配合使用,实现更灵活的版本管理。
环境配置要点
在Ubuntu 23.10系统上,通过以下配置可以实现Stack与GHCup的协同工作:
- 禁用Stack的自动GHC安装功能:
stack config set install-ghc false --global
- 禁用系统GHC的使用:
stack config set system-ghc false --global
- 确保GHCup管理的GHC位于PATH环境变量中
常见问题解析
问题一:Stack忽略stack.yaml中指定的GHC版本
现象:即使stack.yaml中指定了LTS-14.27(对应GHC 8.6.5),Stack仍使用GHC 9.6.4。
原因分析:经过排查发现,这是由于手动修改了stack.yaml.lock文件导致的。该文件记录了快照的SHA256校验值,错误的修改会导致Stack无法正确识别快照版本。
解决方案:
- 删除项目中的stack.yaml.lock文件
- 重新运行Stack命令,让其自动生成正确的lock文件
问题二:Cabal文件中的通配符路径问题
现象:构建过程中出现文件复制失败的错误,提示找不到某些目录。
根本原因:Cabal文件中使用了**通配符匹配路径,这在较旧版本的Cabal(如2.4.0.1)中存在兼容性问题。
解决方案:
- 升级到支持更完善通配符功能的Cabal版本(3.0+)
- 或者将通配符路径替换为具体的文件列表:
data-files:
vendor/tree-sitter-typescript/typescript/src/node-types.json
vendor/tree-sitter-typescript/typescript/corpus/common/declarations.txt
vendor/tree-sitter-typescript/typescript/corpus/common/expressions.txt
vendor/tree-sitter-typescript/typescript/corpus/common/functions.txt
vendor/tree-sitter-typescript/typescript/corpus/common/types.txt
最佳实践建议
-
避免手动修改lock文件:stack.yaml.lock文件应由Stack自动维护,手动修改可能导致不可预期的问题。
-
注意Cabal版本兼容性:在使用路径通配符等功能时,需考虑构建环境中Cabal的版本支持情况。
-
合理配置构建环境:对于需要特定GHC版本的项目,可以通过Stack的
--compiler参数明确指定:
stack build --compiler ghc-8.6.5 --resolver lts-14.27
- 理解工具链协作原理:Stack与GHCup的协作需要正确理解各工具的职责边界,避免配置冲突。
通过以上分析和解决方案,开发者可以更好地在Stack项目中使用GHCup管理多版本GHC,提高开发效率并减少环境配置问题。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0547
MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解,并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计,H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力,能够出色地执行复杂的多模态指令。Python00
DataFlow基于大模型算子和工作流的高效文本大模型训练数据合成框架Python06
doraDORA (Dataflow-Oriented Robotic Architecture 面向数据流的机器人架构) 是为 AI 与具身智能机器人打造的高性能开发框架,以数据流范式重构开发逻辑,原生支持分布式部署与端边云协同 —— 无需复杂适配,即可实现一体端到端具身大小脑、VLA等模型部署,无缝衔接感知、推理、控制全链路,让 AI 能力与机器人动作深度融合。 依托 Rust 内核与零拷贝通信技术,它将具身大小脑、VLA等模型推理、多模态数据融合延迟压缩至微秒级,同时兼容 ROS2 生态与国产 AI 芯片,彻底降低具身智能机器人的开发门槛,让分布式部署下的 AI 赋能创新更高效、更灵活。Rust01
源启盛夏_AtomGit暑期开发者成长计划「源启盛夏」暑期校园开发者成长计划旨在激活校园开源力量,通过积分激励、认证扶持、资源倾斜等形式,引导高校组织和开发者完成「入驻 — 建项目 — 做贡献 — 获认证 — 得资源」的完整闭环。无论你是想带领社团入驻平台的组织者,还是希望用代码贡献证明自己的开发者,都能在这里找到属于你的成长路径。Markdown01
py-xiaozhi基于Python的Xiaozhi AI,适用于想要完整Xiaozhi体验而无需拥有专用硬件的用户。Python01
热门内容推荐
最新内容推荐
项目优选
收起
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
507
540
deepin linux kernel
C
33
16
暂无描述
Markdown
846
5.65 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.04 K
2.45 K
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
835
1.27 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
841
1.67 K
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
499
340
An open-source AI Agent for HarmonyOS applcation development.
TypeScript
463
139
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.15 K
845
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.24 K
1.36 K