Kerl项目调试构建问题的分析与解决方案
2025-07-10 05:16:21作者:裘旻烁
问题背景
在使用Kerl构建Erlang/OTP的调试版本时,开发者发现即使按照文档说明执行了构建命令,最终安装的Erlang运行时环境中仍然缺少调试相关的二进制文件。具体表现为无法通过erl -emu_type debug命令启动调试模式的Erlang虚拟机。
问题分析
构建流程差异
Kerl项目在构建Erlang/OTP时,采用了与官方文档略有不同的构建方式。官方文档推荐的方法是:
(cd $ERL_TOP/erts/emulator && make debug)
而Kerl实际执行的是:
make TYPE=$r_type
这种差异导致了调试构建虽然成功完成,但最终的安装步骤未能正确包含调试版本的二进制文件。
环境变量要求
另一个关键发现是KERL_RELEASE_TARGET环境变量不仅需要在构建阶段设置,在安装阶段也需要保持设置。这一点在Kerl的持续集成测试中已经得到验证,但在文档中可能没有足够强调,导致用户在实际操作时容易忽略。
解决方案
临时解决方案
对于需要立即使用调试版本的用户,可以采用以下临时方案:
- 直接从构建目录运行调试版本:
$ERL_TOP/bin/erl -emu_type debug
- 配合rebar3使用时:
export ERL_TOP=/path/to/erlang/source
export PATH="$ERL_TOP/bin:$PATH"
export ERL_FLAGS="-emu_type debug"
rebar3 shell
完整手动构建流程
如果需要完整安装调试版本,可以按照以下步骤操作:
# 设置构建参数
export MAKEFLAGS=-j8
export ERL_TOP=$PWD
export CONFIGURE_OPTS="--enable-debug --disable-dynamic-ssl-lib"
export PREFIX=/path/to/installation
# 配置和构建
./otp_build configure --prefix=$PREFIX $CONFIGURE_OPTS
./otp_build boot -a
make TYPE=debug
# 安装
(./otp_build release -a $PREFIX && cd $PREFIX && ./Install -minimal $PREFIX)
TYPE=debug ./otp_build release -a $PREFIX
# 手动复制调试二进制文件
BEAM_SMP=$(find . -name beam.debug.smp)
ERL_CHILD_SETUP=$(find . -name "erl_child_setup.debug")
cp $BEAM_SMP $PREFIX/erts-*/bin
cp $ERL_CHILD_SETUP $PREFIX/erts-*/bin
构建工具选择建议
在构建Erlang/OTP时,开发者可以选择两种主要方式:
-
otp_build脚本:这是官方推荐的跨平台构建方式,特别适合需要在不同操作系统(包括Windows)上保持一致的构建流程。
-
直接使用make:这种方式提供了更多灵活性,通常能获得更好的构建性能,但缺乏跨平台保证。
对于大多数Linux/macOS开发者,直接使用make可能是更高效的选择,而对于需要支持多平台的构建系统,则应优先考虑otp_build。
总结
Kerl项目目前正在修复这一调试构建问题,未来版本将确保调试构建能够正确安装所有必要的二进制文件。在此期间,开发者可以采用上述临时解决方案或手动构建流程来获得完整的调试环境。理解Erlang构建系统的这两种主要方式也有助于开发者在不同场景下做出合适的选择。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
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 Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
764
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
678
1.33 K
Ascend Extension for PyTorch
Python
719
876
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 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 Notebook
302
117
昇腾LLM分布式训练框架
Python
178
220