Electron Builder v25.0.0 在打包 macOS 通用应用时的架构冲突问题解析
问题背景
Electron Builder 是一个流行的 Electron 应用打包工具,在最新发布的 25.0.0 版本中,开发者在尝试打包 macOS 通用应用(Universal App,即同时支持 x64 和 arm64 架构)时遇到了一个关键问题。当应用包含原生依赖(如 node-pty 模块)时,打包过程会失败,并显示错误信息:"the same architectures can't be in the same fat output file"。
问题现象
具体表现为:
- 使用 electron-builder 25.0.0 版本
- 打包目标设置为 universal
- 应用包含原生依赖(如 node-pty)
- 打包过程中出现 lipo 工具错误,提示两个文件具有相同的 arm64 架构,无法合并
技术分析
这个问题源于 electron-builder 与 @electron/rebuild 的集成方式变更。在 macOS 通用应用的打包过程中,electron-builder 需要:
- 分别构建 x64 和 arm64 架构的应用
- 使用 macOS 的 lipo 工具将两个架构的二进制文件合并为通用二进制文件
问题的核心在于 @electron/rebuild 在处理原生依赖时的行为。在 25.0.0 版本中,缺少了关键的 disablePreGypCopy 配置选项,导致:
- 在构建 x64 架构时,错误地将 arm64 架构的二进制文件也复制过来
- 当尝试合并两个架构时,lipo 工具发现两个文件都包含 arm64 架构,无法完成合并
解决方案
Electron Builder 团队在 25.0.1 版本中修复了这个问题,主要变更包括:
- 在 @electron/rebuild 的配置中强制设置了 disablePreGypCopy: true
- 确保在构建不同架构时,原生依赖能够正确地为每个架构单独构建
- 更新了相关测试用例,确保类似问题不会再次出现
开发者应对建议
对于遇到此问题的开发者,可以采取以下措施:
- 升级到 electron-builder 25.0.1 或更高版本
- 如果暂时无法升级,可以使用 nativeRebuilder: "legacy" 配置回退到旧版重建器
- 检查项目中的原生依赖是否都支持多架构构建
技术深度解析
macOS 通用二进制文件(Universal Binary)是苹果公司引入的一种特殊格式,允许单个二进制文件包含多个架构的代码。electron-builder 利用这一特性实现了一次打包同时支持 Intel 和 Apple Silicon 处理器的应用。
在底层实现上,electron-builder 使用 lipo 工具来合并不同架构的二进制文件。当原生依赖处理不当时,会导致架构信息混乱,这正是本次问题的根源。
总结
Electron Builder 25.0.1 版本修复了 macOS 通用应用打包时的架构冲突问题,确保了包含原生依赖的应用能够正确构建。这一改进对于需要支持多种 macOS 架构的 Electron 应用开发者尤为重要,保证了应用的兼容性和性能表现。
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