Flit项目中的可选依赖项命名规范变更解析
在Python打包工具Flit的最新版本3.10中,引入了一个重要的变更:对可选依赖项(optional-dependencies)命名的规范化处理。这一变更源自PEP 685标准,要求所有可选依赖项名称在最终生成的元数据中必须使用连字符(hyphen)而非下划线(underscore)。
变更背景
Flit 3.10版本实现了PEP 685标准,该标准规定了Python包元数据中额外依赖项名称的规范化格式。在旧版本中,开发者可以在pyproject.toml文件中自由使用下划线或连字符来命名可选依赖项。但从3.10开始,Flit会在构建过程中将所有可选依赖项名称中的下划线自动转换为连字符。
影响范围
这一变更主要影响以下场景:
- 当使用较旧版本的pip(23.3之前)安装带有可选依赖项的包时
- 在命令行或requirements文件中指定可选依赖项时仍使用下划线的情况
具体表现为:如果开发者在pyproject.toml中定义了名为"model_diffs"的可选依赖项,但在安装时使用pip install .[model_diffs]命令,较旧版本的pip会报告"不提供额外的'model_diffs'"警告。
解决方案
针对这一问题,开发者有以下几种解决方案:
-
升级pip工具:使用pip 23.3或更高版本,这些版本已经实现了对依赖项名称的自动规范化处理
-
修改安装命令:在安装命令中使用连字符而非下划线,例如将
pip install .[model_diffs]改为pip install .[model-diffs] -
限制flit_core版本:在pyproject.toml中明确指定使用flit_core 3.9或更早版本:
[build-system]
requires = ['flit_core>=3.2,<3.10']
技术细节
值得注意的是,这一规范化处理仅适用于可选依赖项名称。在pyproject.toml文件的其他部分,如常规依赖项声明或构建系统要求中,仍然可以使用下划线。例如flit_core>=3.2这样的写法是完全有效的。
这种差异化的处理是因为PEP 685标准特别针对的是额外依赖项(extras)的命名规范,而不是包元数据中的所有名称。核心元数据规范2.3版本明确规定了这一要求,旨在统一Python生态系统中的命名惯例。
最佳实践
为避免潜在问题,建议开发者:
- 在pyproject.toml中定义可选依赖项时,优先使用连字符
- 保持构建工具(pip等)更新到最新版本
- 在文档和示例中统一使用连字符格式
对于维护大型项目或需要支持多种环境的开发者,可以考虑在项目文档中明确说明这一要求,或在CI/CD流程中加入版本检查,确保构建环境符合要求。
这一变更虽然带来了一些短期的适配工作,但从长远来看有助于统一Python打包生态系统的规范,减少因命名差异导致的兼容性问题。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00