Passenger项目在RHEL 9.6上的Ruby版本兼容性问题解决方案
问题背景
在Red Hat Enterprise Linux 9.6(代号Plow)系统上,用户尝试将Passenger从6.0.19-1版本升级到6.0.27-1版本时遇到了Ruby版本依赖问题。系统提示Passenger 6.0.27-1需要Ruby 3.0版本的动态链接库(libruby.so.3.0),但在当前系统中无法找到合适的安装包。
问题分析
通过检查系统环境,发现RHEL 9.6默认启用了Ruby 3.1模块流(module stream),而Passenger 6.0.27-1版本明确依赖Ruby 3.0版本。这种版本不匹配导致了依赖关系冲突。
在RHEL 9系统中,软件包管理采用了模块化(Modular)设计,允许同一软件的不同版本共存。Ruby作为关键组件,在RHEL 9中提供了多个版本流(3.0、3.1和3.3),但默认情况下可能启用了非3.0版本。
解决方案
方法一:重置Ruby模块并安装3.0版本
-
首先尝试重置Ruby模块配置:
dnf module reset ruby -
然后启用Ruby 3.0模块流:
dnf module enable ruby:3.0 -
最后安装Passenger:
yum upgrade passenger
方法二:完全移除后重新安装
如果上述方法无效,可以采取更彻底的解决方案:
-
完全移除现有的Ruby和Passenger安装:
dnf remove ruby passenger -
重新安装Ruby和Passenger:
dnf install ruby passenger
这种方法通常能解决因模块流配置混乱导致的依赖问题。
技术细节
RHEL 9的模块化仓库设计允许系统管理员灵活选择软件版本,但也带来了额外的复杂性。当多个模块流可用时,系统会默认启用一个特定的版本流。在Ruby的情况下,RHEL 9.6默认启用了3.1版本流,而Passenger 6.0.27-1版本需要的是3.0版本流。
模块过滤(module filtering)机制会阻止不符合当前模块流配置的软件包安装,这就是为什么用户看到"filtered out by modular filtering"的错误信息。
最佳实践建议
-
在升级关键组件前,先检查依赖关系:
dnf repoquery --requires passenger -
了解当前系统中启用的模块流:
dnf module list -
对于生产环境,建议在测试环境中先验证升级过程。
-
考虑使用容器化技术来隔离不同应用的环境依赖,避免系统级的版本冲突。
总结
Passenger在RHEL 9.6上的安装问题主要源于Ruby版本模块流的选择。通过理解RHEL的模块化仓库机制,并采取适当的模块重置或完全重装措施,可以顺利解决这类依赖冲突问题。对于系统管理员来说,掌握模块化仓库的管理技巧是维护RHEL 9系统的重要技能之一。
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