txiki.js 在 Void Linux 上的构建问题分析与解决方案
txiki.js 是一个基于 QuickJS 的轻量级 JavaScript 运行时环境,它提供了现代 JavaScript 特性和丰富的内置模块支持。在 Void Linux 系统上构建 txiki.js 时,开发者可能会遇到一个与 libffi 库安装路径相关的构建问题。
问题现象
当在 Void Linux 系统上执行标准构建流程时,构建过程会在链接阶段失败,错误信息显示无法找到 libffi.a 库文件。具体表现为 CMake 报告"No rule to make target 'ffi_root/usr/local/lib/libffi.a'"错误,尽管 libffi 实际上已经成功编译并安装到了系统中。
根本原因分析
这个问题源于 libffi 在多架构系统上的默认安装行为。在 64 位系统上,GCC 通常会使用"multi-os-directory"特性,导致库文件被安装到 lib64 目录而非预期的 lib 目录。具体表现为:
- libffi 的构建系统检测到系统支持多架构目录布局
- 默认情况下,64 位库会被安装到 lib64 而非 lib 目录
- txiki.js 的 CMake 配置中硬编码了 lib 目录路径来查找 libffi
- 这种路径不匹配导致构建系统无法找到已安装的库文件
解决方案
解决此问题的方法是通过在 libffi 的配置阶段添加 --disable-multi-os-directory 选项,强制库文件安装到标准 lib 目录而非架构特定的 lib64 目录。这一修改可以通过以下方式实现:
- 修改 txiki.js 项目中的 CMakeLists.txt 文件
- 在 libffi 的 ExternalProject_Add 配置中添加相应的配置选项
这种解决方案具有以下优点:
- 不影响其他系统的正常构建
- 在已经使用 lib 目录的系统上不会产生副作用
- 解决了路径不一致导致的构建失败问题
技术背景
多架构目录支持是现代 Linux 发行版中用于同时支持 32 位和 64 位库文件的机制。GCC 通过 --print-multi-os-directory 选项可以查询当前系统的多架构目录名称。在 64 位系统上,这通常会返回 "lib64"。
libffi 是一个提供外部函数接口的库,它允许程序调用不同编程语言或不同调用约定编写的代码。txiki.js 使用 libffi 来实现 JavaScript 与原生代码的互操作性。
构建建议
对于希望在 Void Linux 或其他类似系统上构建 txiki.js 的开发者,建议:
- 确保系统已安装所有必要的构建依赖
- 如果遇到类似构建问题,可以检查库文件的实际安装位置
- 考虑使用文中提到的解决方案修改构建配置
- 构建完成后,验证生成的可执行文件功能是否正常
这个问题的解决方案已经被合并到 txiki.js 的主干代码中,未来版本的构建过程将不再受此问题影响。
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 StartedRust0153- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112