Jupyter AI 项目中解决 macOS M1 芯片上的 psutil 兼容性问题
问题背景
在使用 Jupyter AI 和 JupyterLab 组合开发时,部分开发者可能会遇到一个奇怪的错误提示:"The file '.../psutil/_psutil_osx.abi3.so' seems to be overriding built in modules and interfering with the startup of the kernel"。这个错误通常出现在搭载 Apple Silicon (M1/M2) 处理器的 macOS 设备上,当尝试运行 Jupyter notebook 时。
错误本质分析
该错误的根本原因是 Python 的 psutil 模块(一个用于获取系统信息的跨平台库)在 Apple Silicon 架构下的兼容性问题。错误信息中提到的"incompatible architecture (have 'x86_64', need 'arm64e' or 'arm64')"明确指出了问题所在:系统安装的是 x86_64 架构的 psutil 二进制文件,而 M1/M2 芯片需要的是 arm64 架构的版本。
问题复现环境
这个问题通常出现在以下环境中:
- 使用 macOS 的 Apple Silicon 设备(M1/M2 系列芯片)
- 通过 pip 直接安装 Jupyter AI 和 JupyterLab
- Python 虚拟环境中
- 使用系统自带的 Python 或通过 Homebrew 安装的 Python
解决方案
解决此问题的方法是通过源码重新编译安装 psutil 模块,而不是使用预编译的二进制包:
pip uninstall psutil
pip install --no-binary :all: psutil
这个命令会:
- 首先卸载现有的 psutil 包
- 然后从源码重新编译安装,确保生成与当前系统架构兼容的二进制文件
技术原理
在 Apple Silicon 设备上,Python 生态系统的过渡期导致了这类兼容性问题。许多 Python 包默认提供的是 x86_64 架构的预编译二进制文件(wheel),而 M1/M2 芯片需要 arm64 架构的版本。通过 --no-binary 参数强制从源码编译,可以确保生成的二进制文件与当前处理器架构完全兼容。
预防措施
为了避免类似问题,开发者可以:
- 使用专为 Apple Silicon 优化的 Python 发行版(如 Miniforge)
- 创建虚拟环境时明确指定架构
- 定期检查并更新依赖包
- 优先使用 conda 管理环境(conda 能更好地处理不同架构的包)
总结
在 Jupyter AI 项目开发中遇到这类兼容性问题时,理解底层原因比单纯解决表面错误更重要。通过源码重新编译关键依赖项是解决架构不匹配问题的有效方法,这种方法不仅适用于 psutil 模块,也适用于其他可能出现类似兼容性问题的 Python 包。
对于使用 Apple Silicon 设备的开发者来说,保持开发环境的纯净和一致性尤为重要,这能有效减少因架构差异导致的各种奇怪问题。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0210
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0132
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
wgai开箱即用的JAVAAI在线训练识别平台&OCR平台AI合集包含旦不仅限于(车牌识别、安全帽识别、抽烟识别、常用类物识别等) 图片和视频识别,可自主训练任意场景融合了AI图像识别opencv、yolo、ocr、esayAI内核识别;AI智能客服、AI语言模型、 无任何第三方API接口可定制化自主离线化部署并自主化行业化使用避免占用内存、GPU消耗训练与识别分开使用;Java06
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03