Google Jsonnet 项目中的 Python Bazel 规则迁移指南
在 Google Jsonnet 项目中,随着 Bazel 8.0.0 版本的发布,Python 相关的构建规则如 py_runtime 和 py_runtime_pair 已经从 Bazel 核心功能中移除。这一变化要求项目开发者需要将这些规则从 rules_python 仓库中导入,而不是继续依赖 Bazel 内置的支持。
背景与变化
Bazel 8.0.0 版本对 Python 支持进行了重构,将 Python 相关的构建规则从核心功能中剥离出来,转移到了独立的 rules_python 仓库。这一变化是 Bazel 模块化战略的一部分,旨在减少核心功能的体积,同时提高特定语言支持的灵活性和可维护性。
对于 Jsonnet 项目来说,这意味着需要更新构建配置,以显式地依赖 rules_python 仓库来获取 Python 构建支持。虽然 Bazel 8.0.0 仍然提供了临时兼容性支持,可以通过标志启用这些规则,但这种支持将在下一个主要版本中被完全移除。
解决方案
项目可以采用两种主要方式来解决这个问题:
方案一:直接导入 rules_python
开发者可以直接从 rules_python 仓库导入所需的 Python 构建规则。这种方式保持了与之前相似的构建逻辑,只是改变了规则的来源。
方案二:使用 Hermetic 工具链
更现代的解决方案是使用 rules_python 提供的 hermetic 工具链功能。这种方法提供了更好的隔离性和可重复性,是 Bazel 生态推荐的 Python 构建方式。
配置示例需要在 MODULE.bazel 文件中声明对 rules_python 的依赖,并设置相应的 Python 版本工具链。同时,需要更新 BUILD 文件中的依赖关系,将原来的 Python 头文件依赖替换为 rules_python 提供的当前 Python 头文件。
实施建议
对于 Jsonnet 项目,采用 hermetic 工具链方案更为推荐,因为它:
- 提供了更好的构建隔离性
- 简化了 Python 版本管理
- 符合 Bazel 的最佳实践
- 可以移除项目中原有的平台定义文件和 Python 仓库构建定义
实施这一变更后,项目将获得更稳定和可维护的 Python 构建支持,同时也为未来的 Bazel 版本升级做好了准备。
总结
Bazel 8.0.0 对 Python 支持的改变是构建系统演进的一部分,虽然需要项目进行一些调整,但最终会带来更好的模块化和可维护性。Jsonnet 项目团队应当优先考虑采用 hermetic 工具链方案,这不仅解决了当前的问题,也为项目的长期健康发展奠定了基础。
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