Setuptools 80.7版本中setup_requires依赖解析机制变更分析
问题背景
在Python包管理生态中,setuptools作为最核心的构建工具之一,其行为变更会对整个生态系统产生深远影响。近期setuptools 80.7版本的更新引入了一个重要变更:当使用setup_requires参数声明构建时依赖时,这些依赖包自身的依赖项将不再被自动安装。
技术细节解析
在setuptools 80.6及之前版本中,当项目通过setup_requires参数声明构建时依赖(如示例中的packit库)时,setuptools会递归安装这些依赖包及其所有依赖项(如pbr和glob2)。这种机制通过pkg_resources模块实现,能够确保构建环境具备完整的依赖链。
然而从80.7版本开始,setuptools移除了这一自动解析行为。现在只会安装直接声明的setup_requires包,而不会处理其依赖项。这一变更与setuptools逐步淘汰旧式构建流程、转向PEP 517标准构建系统的长期规划密切相关。
影响范围
这一变更主要影响以下场景:
- 直接使用python setup.py命令进行构建的项目
- 依赖setup_requires中包提供的扩展功能的项目
- 在系统级site-packages环境中进行构建的情况
值得注意的是,当使用现代构建工具链(如pip配合pyproject.toml)时,这一变更不会造成影响,因为PEP 517构建流程会正确处理所有层级的依赖关系。
解决方案
对于受此变更影响的项目,推荐采取以下升级路径:
-
强制使用PEP 517构建流程 在pip命令中添加--use-pep517参数,或设置环境变量PIP_USE_PEP517=1,强制使用标准化的构建流程。
-
迁移到pyproject.toml配置 在项目根目录添加pyproject.toml文件,将构建依赖声明在build-system.requires中。这种方式不仅更规范,还能确保依赖解析的正确性。
-
避免直接调用setup.py 逐步淘汰python setup.py ...的直接调用方式,改用pip install .等标准接口。
技术演进趋势
这一变更反映了Python打包生态向标准化、现代化演进的大趋势。传统的setup.py直接调用方式正在被逐步淘汰,取而代之的是基于PEP 517的标准构建系统。开发者应当关注以下关键时间节点:
- 2025年10月31日:setuptools将完全移除对旧式构建流程的支持
- 2026年3月3日:配置文件中下划线分隔的键名将成为强制要求
最佳实践建议
对于仍在使用setup_requires的遗留项目,建议采取分阶段迁移策略:
- 首先确保CI环境中设置PIP_USE_PEP517=1
- 为项目添加基本的pyproject.toml配置
- 逐步将setup_requires依赖迁移到build-system.requires
- 更新构建文档,使用现代构建命令替代setup.py直接调用
通过遵循这些建议,项目可以平稳过渡到现代构建系统,避免未来可能出现的兼容性问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00