在AWS自托管Runner上解决setup-php扩展安装失败问题
问题背景
在使用shivammathur/setup-php项目为PHP环境配置扩展时,部分用户在AWS CodeBuild标准7.0容器(基于Ubuntu 22.04)的自托管Runner上遇到了扩展安装失败的问题。错误表现为在执行add_extensions.sh脚本时出现"semver: parameter null or not set"的错误提示。
错误现象
当用户尝试安装多个PHP扩展(如mbstring、json、pdo、redis等)时,虽然部分基础扩展能够成功安装,但在处理某些扩展时会突然失败。从日志中可以看到,系统在处理redis扩展时已经完成了安装和配置,但在后续检查阶段出现了参数为空的错误。
根本原因分析
经过深入排查,发现这个问题主要与自托管Runner的执行权限配置有关。在AWS CodeBuild环境中,默认的执行用户可能不具备完整的sudo权限,或者sudo操作需要密码验证。而setup-php项目在执行过程中需要临时获取root权限来完成PHP扩展的安装和配置。
具体来说,错误发生在脚本尝试使用semver函数进行版本比较时,由于权限不足导致某些系统调用失败,进而使得参数传递出现问题。
解决方案
要彻底解决这个问题,需要为运行GitHub Actions Runner的用户配置正确的权限:
- 创建一个专用用户(如runner用户):
adduser --disabled-password --gecos '' runner
- 将该用户加入sudo组:
usermod -aG sudo runner
- 确保该用户的主目录存在且具有适当权限:
mkdir -m 777 -p /home/runner
- 配置sudoers文件以允许无密码sudo操作:
sed -i 's/%sudo\s.*/%sudo ALL=(ALL:ALL) NOPASSWD : ALL/g' /etc/sudoers
实施建议
-
在配置自托管Runner时,建议专门为CI/CD流程创建一个独立的系统用户,而不是使用默认的root或管理员账户。
-
权限配置完成后,建议测试基本的sudo命令是否能够无需密码执行,例如:
sudo -u runner sudo echo "test"
-
对于AWS CodeBuild环境,可以在构建规范(buildspec)的安装阶段预先执行这些权限配置命令。
-
如果组织安全策略不允许无密码sudo,可以考虑配置特定的命令白名单,仅允许runner用户无需密码执行必要的PHP安装和配置命令。
总结
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-1.5暂无简介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