Signal-Desktop项目在macOS Sonoma系统下的打包问题分析
Signal-Desktop是一款流行的加密通讯应用,其开源版本允许开发者自行构建客户端。近期有开发者反馈在升级到macOS Sonoma 14.4.1系统后,项目打包过程出现了异常。
问题现象
在M1芯片的MacBook上,升级至Sonoma 14.4.1系统后,执行标准的Signal-Desktop构建流程(yarn generate和yarn build)时,虽然构建过程看似完成,但最终未生成预期的dmg或zip格式的安装包文件。构建输出目录中仅包含未打包的应用程序内容,包括Signal.app及其相关资源文件。
技术分析
从构建日志中可以观察到几个关键问题点:
-
原生模块重建问题:构建过程中尝试重建多个原生依赖模块,包括mac-screen-capture-permissions等。日志显示prebuild-install失败,原因是无法检测到与Electron 29.1.5版本对应的ABI(应用二进制接口)。
-
代码签名缺失:构建日志明确显示跳过了macOS应用程序的代码签名步骤,原因是CSC_IDENTITY_AUTO_DISCOVERY环境变量被设置为false。在macOS系统中,没有有效的开发者证书将导致后续的公证(notarization)步骤失败。
-
公证失败:构建过程尝试使用开发者账号进行公证,但因缺少有效的代码签名而失败,错误代码66表明系统无法获取必要的公证票据。
解决方案
针对这一问题,开发者可以采取以下两种方案之一:
-
完全禁用签名和公证:
- 修改构建配置,明确禁用所有签名和公证步骤
- 适用于仅用于开发测试的场景
- 生成的应用程序将无法通过macOS的Gatekeeper安全检查
-
配置完整的签名和公证流程:
- 从Apple开发者平台获取有效的Developer ID Application证书
- 在构建环境中正确配置证书和相关环境变量
- 确保构建过程能够访问Apple的公证服务
验证测试
值得注意的是,同一环境下简单的Electron示例应用能够正常打包,这说明问题特定于Signal-Desktop项目的构建配置。Signal-Desktop强制要求代码签名和公证流程,而示例应用则没有这些限制。
结论
macOS Sonoma系统对应用程序的安全要求更为严格,Signal-Desktop项目默认配置要求完整的代码签名和公证流程。开发者在自行构建时,需要根据实际需求选择适当的签名策略。对于开发测试目的,可以临时禁用这些安全步骤;而对于生产环境使用,则必须配置完整的Apple开发者证书和公证流程。
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