Passenger在AlmaLinux 9上的编译问题及解决方案
问题背景
在AlmaLinux 9操作系统上编译Passenger 6.0.22时,开发人员遇到了编译失败的问题。错误信息显示编译器无法生成可执行文件,并提示需要先安装开发工具。这个问题在最小化安装环境中尤为常见,特别是在禁用了弱依赖安装的情况下。
错误现象
当尝试在AlmaLinux 9(ARM64架构)上编译Passenger时,会出现以下关键错误:
The compiler failed to generate an executable file. (RuntimeError)
You have to install development tools first.
错误发生在Ruby的mkmf.rb尝试检查头文件时,表明基本的开发环境配置存在问题。
根本原因分析
经过测试发现,问题的根源在于缺少redhat-rpm-config软件包。这个包在RedHat系发行版中提供了关键的编译配置,特别是包含了redhat-hardened-cc1等必要的编译工具链组件。
在默认安装情况下,系统会自动安装这些弱依赖项。但当使用--setopt=install_weak_deps=False参数进行最小化安装时,这些关键组件会被忽略,导致编译环境不完整。
解决方案
有两种方法可以解决这个问题:
-
允许安装弱依赖:在安装系统包时不使用
--setopt=install_weak_deps=False参数,让系统自动安装必要的依赖项。 -
显式安装redhat-rpm-config:在安装其他开发工具的同时,明确添加这个关键包:
dnf install redhat-rpm-config gcc gcc-c++ libcurl-devel openssl-devel pcre2-devel ruby-devel zlib-devel
技术细节
redhat-rpm-config软件包在RedHat系发行版中扮演着重要角色,它提供了:
- 标准的编译标志和选项
- 系统特定的头文件位置配置
- 安全加固的编译器配置
- RPM构建所需的各种宏定义
特别是在AlmaLinux/RHEL 9中,这个包提供的redhat-hardened-cc1组件是现代安全编译的基础,缺少它会导致基本的编译工具链无法正常工作。
最佳实践建议
对于生产环境中的Passenger部署,建议:
- 总是确保完整的开发环境,包括
redhat-rpm-config - 在Docker等容器环境中构建时,明确列出所有依赖项
- 考虑使用Passenger的预编译包或官方仓库来避免编译问题
- 在最小化安装环境中,务必测试编译过程是否完整
总结
Passenger在AlmaLinux 9上的编译问题主要源于最小化安装环境缺少关键的系统配置包。通过理解RedHat系发行版的包依赖关系,特别是redhat-rpm-config的作用,可以有效地解决这类编译环境配置问题。这不仅是Passenger特有的问题,也是所有需要在RHEL系发行版上进行源代码编译的软件需要注意的通用问题。
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
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
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