深入理解Nix Starter Configs中的多系统构建模式
在Nix生态系统中,构建跨平台软件包是一个常见需求。Misterio77的nix-starter-configs项目提供了两种优雅的解决方案:forAllSystems和forEachSystem模式。本文将深入探讨这两种模式的实现原理、使用场景以及它们之间的区别。
genAttrs基础
Nix语言中的lib.genAttrs函数是构建多系统支持的基础。这个函数接收一个列表和一个函数作为参数,返回一个属性集。它会遍历列表中的每个元素,将元素作为键名,函数调用的结果作为键值。
lib.genAttrs [ "bob" "james" ] (name: "Hello ${name}!")
上述代码会生成:
{
bob = "Hello bob!";
james = "Hello james!";
}
forAllSystems模式
forAllSystems是最基础的多系统构建模式,它直接使用genAttrs来为每个系统生成对应的构建结果。
forAllSystems = nixpkgs.lib.genAttrs systems;
使用方式:
packages = forAllSystems (system:
let pkgs = import nixpkgs { inherit system; };
in /* 构建逻辑 */);
这种模式需要开发者在每次使用时手动实例化对应系统的nixpkgs,虽然比完全手动定义每个系统更简洁,但仍然存在一定程度的重复代码。
forEachSystem模式
forEachSystem是对forAllSystems的进一步抽象和优化,它预先实例化了各个系统的nixpkgs,并将实例化的包集直接传递给构建函数。
实现方式:
pkgsFor = lib.genAttrs systems (system: import nixpkgs {
inherit system;
config.allowUnfree = true;
});
forEachSystem = f: lib.genAttrs systems (system: f pkgsFor.${system});
使用方式:
packages = forEachSystem (pkgs: /* 直接使用pkgs进行构建 */);
这种模式的优势在于:
- 集中管理nixpkgs实例化配置
- 减少重复代码
- 使构建逻辑更专注于包本身而非系统差异
实际应用对比
假设我们要定义一个简单的包和开发环境:
使用forAllSystems:
{
packages = forAllSystems (system: let
pkgs = import nixpkgs { inherit system; };
in {
hello = pkgs.hello;
});
devShells = forAllSystems (system: let
pkgs = import nixpkgs { inherit system; };
in {
default = pkgs.mkShell { buildInputs = [ pkgs.hello ]; };
});
}
使用forEachSystem:
let
pkgsFor = /* 如前定义 */;
forEachSystem = /* 如前定义 */;
in {
packages = forEachSystem (pkgs: {
hello = pkgs.hello;
});
devShells = forEachSystem (pkgs: {
default = pkgs.mkShell { buildInputs = [ pkgs.hello ]; };
});
}
可以看到,forEachSystem模式显著减少了重复代码,特别是当项目中有多个需要跨系统定义的输出时,优势更加明显。
选择建议
对于简单的项目或学习目的,forAllSystems已经足够使用。而对于更复杂的项目,特别是需要定义多种输出(packages、devShells、apps等)时,forEachSystem模式能提供更好的代码组织和维护性。
理解这两种模式不仅有助于使用nix-starter-configs模板,更能帮助开发者深入理解Nix语言中函数式编程的强大能力,以及如何利用抽象来简化复杂系统的构建过程。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00