解决Please构建系统中sh_binary规则未定义的问题
问题背景
在使用Please构建系统时,开发者可能会遇到"name 'sh_library' is not defined"这样的错误提示。这种情况通常发生在尝试使用shell相关构建规则(如sh_binary)时,系统无法识别这些规则定义。
根本原因分析
Please构建系统采用模块化设计,核心功能之外的各种语言和工具支持通过插件机制实现。shell构建规则(包括sh_binary、sh_library等)属于可选插件功能,并非默认包含在基础安装中。当项目中没有正确配置shell插件时,系统自然无法识别这些规则。
解决方案详解
快速解决方案
最简单的解决方法是运行初始化命令:
plz init plugin shell
这个命令会自动完成以下配置:
- 创建插件目录结构
- 添加shell插件定义
- 更新配置文件
手动配置方案
如果希望更精细地控制配置过程,可以按照以下步骤操作:
- 创建插件定义文件
在项目根目录下创建plugins/BUILD文件(目录和文件名可根据需要调整),内容如下:
plugin_repo(
name = "shell",
revision = "v0.2.0",
plugin = "shell-rules",
owner = "please-build",
)
- 修改配置文件
编辑项目中的.plzconfig文件,添加以下内容:
[parse]
preloadsubincludes = ///shell//build_defs:shell
[Plugin "shell"]
Target = //plugins:shell
配置说明
-
plugin_repo参数解析
name: 插件在本地项目中的引用名称revision: 插件版本号或分支名称plugin: 插件仓库名称owner: 插件维护者或组织名称
-
.plzconfig配置项
preloadsubincludes: 预加载插件的构建定义,避免在每个文件中重复引入Target: 指向插件定义的目标位置
高级应用场景
-
多插件管理 当项目需要多个插件时,可以在plugins/BUILD中定义多个plugin_repo,并在.plzconfig中配置对应的Plugin节。
-
自定义插件位置 插件定义文件可以放在任何位置,只需确保.plzconfig中的Target指向正确路径即可。
-
版本控制 通过修改revision字段可以指定特定的插件版本,确保构建环境的稳定性。
最佳实践建议
-
对于团队项目,建议将插件配置纳入版本控制,确保所有开发者使用相同的插件版本。
-
定期检查插件更新,特别是安全相关的更新。
-
在大型项目中,考虑将常用插件预加载到全局配置中,减少重复配置。
-
当插件规则出现命名冲突时,可以不使用preloadsubincludes,改为在需要的BUILD文件中显式引入。
通过以上配置,开发者可以顺利使用shell相关的构建规则,解决初始的"name 'sh_library' is not defined"错误问题。Please构建系统的插件机制提供了良好的扩展性,使得各种语言和工具的支持能够灵活地添加到项目中。
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