EMBA项目在Ubuntu 22.04上安装时的jq依赖问题分析
在Ubuntu 22.04.4 LTS系统上安装EMBA项目时,用户可能会遇到一个与jq工具相关的安装错误。这个问题通常表现为安装过程中出现状态码1的错误,并指向helpers.sh脚本的第68行。
问题现象
当运行EMBA安装脚本时,系统会尝试检查并安装jq工具,这是一个轻量级的命令行JSON处理器。错误信息显示系统无法正确处理jq的安装状态检查,导致安装过程中断。错误堆栈显示问题起源于helpers.sh脚本中的print_tool_info函数。
根本原因分析
经过深入分析,这个问题主要由以下几个因素导致:
-
jq工具未预装:Ubuntu 22.04基础安装可能不包含jq工具,而EMBA项目依赖它来处理JSON数据。
-
apt-cache policy输出格式问题:原脚本假设apt-cache policy命令的输出使用英文格式,而中文系统环境下输出的是中文提示(如"已安装:"而非"Installed:"),导致版本检查逻辑失效。
-
容器环境冲突:如果系统上已有不兼容的容器或容器编排工具安装,也可能间接导致依赖安装问题。
解决方案
1. 手动安装jq工具
在运行EMBA安装脚本前,可先手动安装jq工具:
sudo apt update && sudo apt install jq -y
2. 修改helpers.sh脚本
对于中文系统环境,需要调整helpers.sh脚本中的版本检查逻辑,使其能正确解析中文格式的apt输出:
print_tool_info(){
echo -e "\\n""${ORANGE}""${BOLD}""${1:-}""${NC}"
TOOL_INFO="$(apt-cache policy "${1:-}" 2> /dev/null)"
if echo "${TOOL_INFO}" | grep -q "已安装:"; then
INSTALLED_VERSION=$(echo "${TOOL_INFO}" | grep "已安装:" | awk '{print $2}')
CANDIDATE_VERSION=$(echo "${TOOL_INFO}" | grep "候选:" | awk '{print $2}')
if [[ "${INSTALLED_VERSION}" == "${CANDIDATE_VERSION}" ]]; then
echo -e "${GREEN}""${1:-}"" is already installed and up-to-date.""${NC}"
else
echo -e "${ORANGE}""${1:-}"" is installed but will be updated.""${NC}"
INSTALL_APP_LIST+=("${1:-}")
fi
else
echo -e "${ORANGE}""${1:-}"" will be newly installed.""${NC}"
INSTALL_APP_LIST+=("${1:-}")
fi
}
3. 清理并重新安装容器环境
如果存在容器环境冲突,建议先完全卸载现有容器工具,然后让EMBA安装脚本处理全新的安装:
# 卸载现有容器工具
sudo apt remove docker docker-engine docker.io containerd runc
sudo apt purge docker-ce docker-ce-cli containerd.io
sudo rm -rf /var/lib/docker
sudo rm -rf /var/lib/containerd
预防措施
为了避免类似问题,建议:
- 在运行EMBA安装脚本前,先确保系统语言环境设置为英文:
export LANG=en_US.UTF-8
- 预先安装所有基础依赖:
sudo apt update && sudo apt install -y jq curl git
- 使用干净的Ubuntu系统安装EMBA,避免已有软件环境造成冲突。
技术背景
jq是一个轻量级且灵活的命令行JSON处理器,在安全分析和自动化工具中被广泛使用。EMBA项目使用jq来处理各种JSON格式的输出结果,包括安全数据库查询、工具输出解析等场景。确保jq正确安装对于EMBA的正常运行至关重要。
通过以上解决方案,用户应该能够顺利解决Ubuntu 22.04上安装EMBA时遇到的jq依赖问题,并完成整个安装过程。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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