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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 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++
856
1.92 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++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
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
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220