RDKit项目中INCHI-API构建警告的分析与解决
在RDKit项目的构建过程中,开发者可能会遇到一个与CMake相关的构建警告。这个警告出现在处理INCHI-API外部依赖时,涉及到CMake的add_custom_command指令使用方式的问题。
问题现象
当使用CMake配置RDKit项目时,系统会输出以下警告信息:
CMake Warning (dev) at External/INCHI-API/CMakeLists.txt:106 (add_custom_command):
Exactly one of PRE_BUILD, PRE_LINK, or POST_BUILD must be given. Assuming
POST_BUILD to preserve backward compatibility.
Policy CMP0175 is not set: add_custom_command() rejects invalid arguments.
Run "cmake --help-policy CMP0175" for policy details. Use the cmake_policy
command to set the policy and suppress this warning.
这个警告表明在构建INCHI-API时,add_custom_command指令的使用方式不符合CMake的最新规范要求。
技术背景
add_custom_command是CMake中用于添加自定义构建步骤的重要指令。在构建过程中,它可以用来定义在特定阶段执行的命令。CMake 3.20版本引入了CMP0175策略,对add_custom_command的参数校验变得更加严格。
在旧版本的CMake中,如果没有明确指定命令的执行阶段(PRE_BUILD、PRE_LINK或POST_BUILD),CMake会默认假设为POST_BUILD阶段。但随着CMP0175策略的引入,这种行为被视为不规范的用法,会触发警告。
问题分析
在RDKit项目的INCHI-API构建脚本中,存在以下代码片段:
add_custom_command(
TARGET ${PROJECT_NAME}
COMMAND ${CMAKE_COMMAND} -E copy_directory ${CMAKE_CURRENT_SOURCE_DIR}/include ${CMAKE_CURRENT_BINARY_DIR}/include
)
这段代码的目的是在构建过程中将INCHI-API的头文件从源码目录复制到构建目录。然而,它没有明确指定命令应该在构建的哪个阶段执行,因此触发了CMake的警告。
解决方案
根据CMake的最佳实践,应该明确指定自定义命令的执行阶段。对于头文件复制操作,通常适合在构建的早期阶段执行,因此可以使用PRE_BUILD选项:
add_custom_command(
TARGET ${PROJECT_NAME}
PRE_BUILD
COMMAND ${CMAKE_COMMAND} -E copy_directory ${CMAKE_CURRENT_SOURCE_DIR}/include ${CMAKE_CURRENT_BINARY_DIR}/include
)
或者,也可以显式设置CMP0175策略来保持旧有行为:
cmake_policy(SET CMP0175 OLD)
但更推荐的做法是遵循新的CMake规范,明确指定命令的执行阶段。
影响范围
这个问题主要影响使用较新版本CMake(3.20及以上)构建RDKit的开发者。虽然只是一个警告,不会阻止构建过程,但遵循最佳实践可以确保构建系统的长期可维护性。
对于RDKit项目维护者来说,修复这个问题有助于提高代码质量,消除不必要的构建警告,使构建输出更加清晰。
总结
在构建系统配置中,遵循工具的最新规范和最佳实践非常重要。这个案例展示了CMake在不断演进过程中对构建脚本规范性的要求越来越高。作为开发者,我们应该:
- 关注构建工具的更新和变化
- 及时处理构建过程中的警告信息
- 在自定义构建步骤中明确指定执行阶段
- 保持构建脚本的规范性和可维护性
通过这样的细节优化,可以确保项目的构建系统更加健壮和可靠。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C027
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