Xmake项目中的目标输出路径管理新特性
在C/C++项目构建工具Xmake的最新版本中,引入了一系列关于目标输出路径管理的重要改进,为开发者提供了更灵活的文件输出控制能力。这些改进主要包括set_targetdir接口的扩展和新增的artifactfile接口。
传统输出路径管理方式
在之前的Xmake版本中,开发者只能通过set_targetdir接口统一设置所有类型输出文件的存放目录。例如:
set_targetdir("$(builddir)/out")
target("x")
set_kind("binary")
target("y")
set_kind("shared")
target("z")
set_kind("static")
在Windows MSVC环境下,上述配置会导致所有输出文件都存放在build/out目录下,包括可执行文件、动态链接库、导入库和静态库。这种统一存放的方式虽然简单,但在大型项目中可能会导致输出目录混乱,不利于文件管理。
扩展的set_targetdir接口
新版本的Xmake对set_targetdir接口进行了功能扩展,允许开发者通过选项参数指定不同类型的输出文件子目录:
set_targetdir("$(builddir)/out", {
bindir = "bin", -- 可执行文件和动态链接库目录
libdir = "lib" -- 导入库和静态库目录
})
这种配置方式借鉴了CMake中RUNTIME_OUTPUT_DIRECTORY、LIBRARY_OUTPUT_DIRECTORY和ARCHIVE_OUTPUT_DIRECTORY的设计理念,但提供了更加简洁的语法。
配置后,输出文件结构将变得更加清晰:
+ build
+ out
+ bin
- x.exe -- 可执行文件
- y.dll -- 动态链接库
+ lib
- y.lib -- 导入库(implib)
- z.lib -- 静态库
新增的artifactfile接口
为了更方便地获取特定类型的输出文件路径,Xmake新增了artifactfile接口:
target:artifactfile(<type>)
目前该接口主要支持获取Windows平台下动态链接库的导入库路径(通过"implib"参数)。对于非Windows平台或不支持的类型,接口将返回nil。
使用示例:
target("x")
set_kind("shared")
add_files("src/x.cpp")
set_targetdir("$(builddir)/out", { bindir = "bin", libdir = "lib" })
on_load(function (target)
print(target:targetfile()) -- 输出主目标文件路径
print(target:artifactfile("implib")) -- 输出导入库路径
end)
在不同平台下的输出示例:
- Windows MSVC:
build\out\bin\x.dll build\out\lib\x.lib - MinGW:
build\out\bin\libx.dll build\out\lib\libx.dll.a
实际应用价值
这些改进为Xmake项目带来了以下优势:
-
更清晰的项目结构:通过分离不同类型的输出文件,使构建目录更加整洁有序,便于管理和维护。
-
更好的跨平台支持:自动处理不同平台下文件命名和路径的差异,如MSVC的
.lib和MinGW的.dll.a。 -
更灵活的构建配置:开发者可以精确控制各类输出文件的位置,满足各种项目组织需求。
-
简化构建后处理:通过
artifactfile接口可以方便地获取特定类型文件的路径,便于后续的打包、部署等操作。
这些特性使得Xmake在构建系统功能上更加完善,为开发者提供了更强大的项目管理能力,特别是在处理复杂项目结构和跨平台构建时,能够显著提高开发效率。
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