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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00